
#Importation de la librairie Pandas
import pandas as pd

D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():

Le tableau comporte 825 observation(s) ou article(s)
Le tableau comporte 6 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 6 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   product_id      825 non-null    int64  
 1   onsale_web      825 non-null    int64  
 2   price           825 non-null    float64
 3   stock_quantity  825 non-null    int64  
 4   stock_status    825 non-null    object 
 5   purchase_price  825 non-null    float64
dtypes: float64(2), int64(3), object(1)
memory usage: 38.8+ KB

False

array(['instock', 'outofstock'], dtype=object)

0       True
1       True
2       True
3       True
4      False
       ...  
820     True
821     True
822     True
823     True
824     True
Length: 825, dtype: bool

823

0      False
1      False
2      False
3      False
4       True
       ...  
820    False
821    False
822    False
823    False
824    False
Length: 825, dtype: bool

825

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2


#Importation de la librairie Pandas
import pandas as pd

D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():

Le tableau comporte 825 observation(s) ou article(s)
Le tableau comporte 6 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 6 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   product_id      825 non-null    int64  
 1   onsale_web      825 non-null    int64  
 2   price           825 non-null    float64
 3   stock_quantity  825 non-null    int64  
 4   stock_status    825 non-null    object 
 5   purchase_price  825 non-null    float64
dtypes: float64(2), int64(3), object(1)
memory usage: 38.8+ KB

False

array(['instock', 'outofstock'], dtype=object)

0       True
1       True
2       True
3       True
4      False
       ...  
820     True
821     True
822     True
823     True
824     True
Length: 825, dtype: bool

823

0      False
1      False
2      False
3      False
4       True
       ...  
820    False
821    False
822    False
823    False
824    False
Length: 825, dtype: bool

825

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2


#Importation de la librairie Pandas
import pandas as pd

D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():

Le tableau comporte 825 observation(s) ou article(s)
Le tableau comporte 6 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 6 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   product_id      825 non-null    int64  
 1   onsale_web      825 non-null    int64  
 2   price           825 non-null    float64
 3   stock_quantity  825 non-null    int64  
 4   stock_status    825 non-null    object 
 5   purchase_price  825 non-null    float64
dtypes: float64(2), int64(3), object(1)
memory usage: 38.8+ KB

False

array(['instock', 'outofstock'], dtype=object)

0       True
1       True
2       True
3       True
4      False
       ...  
820     True
821     True
822     True
823     True
824     True
Length: 825, dtype: bool

823

0      False
1      False
2      False
3      False
4       True
       ...  
820    False
821    False
822    False
823    False
824    False
Length: 825, dtype: bool

825

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2


#Importation de la librairie Pandas
import pandas as pd


#Importation de la librairie plotly express
import plotly.express as px
import plotly.graph_objects as go


import matplotlib.pyplot as plt


#Trouver dans Google l'instruction permettant d'afficher toutes les colonnes d'un dataframe
#Saisir, dans Google, les mots clés "display all columns dataframe Pandas", par exemple.
#Dans les résultats de la recherche, privilégiez les solutions provenants de Stack Overflow ou Medium
pd.set_option('display.max_columns', None)


#Importation du fichier web.xlsx
df_web = pd.read_excel("web.xlsx")
#Importation du fichier erp.xlsx
df_erp = pd.read_excel("erp.xlsx")
#importation du fichier liaison.xlsx
df_liaison = pd.read_excel("liaison.xlsx")

D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():

Le tableau comporte 825 observation(s) ou article(s)
Le tableau comporte 6 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 6 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   product_id      825 non-null    int64  
 1   onsale_web      825 non-null    int64  
 2   price           825 non-null    float64
 3   stock_quantity  825 non-null    int64  
 4   stock_status    825 non-null    object 
 5   purchase_price  825 non-null    float64
dtypes: float64(2), int64(3), object(1)
memory usage: 38.8+ KB

False

array(['instock', 'outofstock'], dtype=object)

0       True
1       True
2       True
3       True
4      False
       ...  
820     True
821     True
822     True
823     True
824     True
Length: 825, dtype: bool

823

0      False
1      False
2      False
3      False
4       True
       ...  
820    False
821    False
822    False
823    False
824    False
Length: 825, dtype: bool

825

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2


#Importation du fichier web.xlsx
df_web = pd.read_excel("web.xlsx")
#Importation du fichier erp.xlsx
df_erp = pd.read_excel("erp.xlsx")
#importation du fichier liaison.xlsx
df_liaison = pd.read_excel("liaison.xlsx")

D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():
D:\anaconda3\Lib\site-packages\openpyxl\worksheet\_read_only.py:79: UserWarning: Unknown extension is not supported and will be removed
  for idx, row in parser.parse():


#Afficher les dimensions du dataset
print("Le tableau comporte {} observation(s) ou article(s)".format(df_erp.shape[0]))
print("Le tableau comporte {} colonne(s)".format(df_erp.shape[1]))

Le tableau comporte 825 observation(s) ou article(s)
Le tableau comporte 6 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 6 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   product_id      825 non-null    int64  
 1   onsale_web      825 non-null    int64  
 2   price           825 non-null    float64
 3   stock_quantity  825 non-null    int64  
 4   stock_status    825 non-null    object 
 5   purchase_price  825 non-null    float64
dtypes: float64(2), int64(3), object(1)
memory usage: 38.8+ KB

False

array(['instock', 'outofstock'], dtype=object)

0       True
1       True
2       True
3       True
4      False
       ...  
820     True
821     True
822     True
823     True
824     True
Length: 825, dtype: bool

823

0      False
1      False
2      False
3      False
4       True
       ...  
820    False
821    False
822    False
823    False
824    False
Length: 825, dtype: bool

825

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2

145, -10, 0


#Afficher les dimensions du dataset
print("Le tableau comporte {} observation(s) ou article(s)".format(df_erp.shape[0]))
print("Le tableau comporte {} colonne(s)".format(df_erp.shape[1]))

Le tableau comporte 825 observation(s) ou article(s)
Le tableau comporte 6 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 6 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   product_id      825 non-null    int64  
 1   onsale_web      825 non-null    int64  
 2   price           825 non-null    float64
 3   stock_quantity  825 non-null    int64  
 4   stock_status    825 non-null    object 
 5   purchase_price  825 non-null    float64
dtypes: float64(2), int64(3), object(1)
memory usage: 38.8+ KB

False

array(['instock', 'outofstock'], dtype=object)

0       True
1       True
2       True
3       True
4      False
       ...  
820     True
821     True
822     True
823     True
824     True
Length: 825, dtype: bool

823

0      False
1      False
2      False
3      False
4       True
       ...  
820    False
821    False
822    False
823    False
824    False
Length: 825, dtype: bool

825

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2

145, -10, 0


#Afficher les dimensions du dataset
print("Le tableau comporte {} observation(s) ou article(s)".format(df_erp.shape[0]))
print("Le tableau comporte {} colonne(s)".format(df_erp.shape[1]))

Le tableau comporte 825 observation(s) ou article(s)
Le tableau comporte 6 colonne(s)


#Consulter le nombre de colonnes
#La nature des données dans chacune des colonnes
#Le nombre de valeurs présentes dans chacune des colonnes
df_erp.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 6 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   product_id      825 non-null    int64  
 1   onsale_web      825 non-null    int64  
 2   price           825 non-null    float64
 3   stock_quantity  825 non-null    int64  
 4   stock_status    825 non-null    object 
 5   purchase_price  825 non-null    float64
dtypes: float64(2), int64(3), object(1)
memory usage: 38.8+ KB


#Afficher les 5 premières lignes de la table
df_erp.head()


#Vérifier si il y a les lignes en doublons dans la colonne product_id
df_erp['product_id'].duplicated().any()

False


#Afficher les valeurs distinctes de la colonne stock_status
#À quelle(s) autre(s) colonne(s) sont-elles liées ?
df_erp['stock_status'].unique()

array(['instock', 'outofstock'], dtype=object)


#Création d'une colonne "stock_status_2
#La valeur de cette deuxième colonne sera fonction de la valeur dans la colonne "stock_quantity"
#si la valeur de la colonne "stock_quantity" est nulle renseigner "outofstock" sinon mettre "instock"
df_erp['stock_status_2'] = None

def isinstock(row):
    if row['stock_quantity'] > 0:
        return 'instock'
    else:
        return 'outofstock'

df_erp['stock_status_2'] = df_erp.apply(isinstock, axis=1)


#Vérifions que les 2 colonnes sont identiques:
#Les 2 colonnes sont strictement identiques si les valeurs de chaque ligne sont strictement identiques 2 à 2
#La comparaison de 2 colonnes peut se réaliser simplement avec l'instruction ci-dessous:
df_erp["stock_status"] == df_erp["stock_status_2"]

#Le résultat est l'affichage de True ou False pour chacune des lignes du dataset
#C'est un bon début, mais difficile à exploiter

0       True
1       True
2       True
3       True
4      False
       ...  
820     True
821     True
822     True
823     True
824     True
Length: 825, dtype: bool


#Mais il est possible de synthétiser ce résultat en effectuant la somme de cette colonne:
#True vaut 1 et False 0
#Nous devrions obtenir la somme de 824 qui correspond au nombre de lignes dans ce dataset
(df_erp["stock_status"] == df_erp["stock_status_2"]).sum()

823


#Si les colonnes ne sont absolument pas identiques ligne à ligne alors identifier la ligne en écart
##Dans ce cas je vous ce lien pour apprendre à réaliser des filtres dans Pandas:
##https://bitbucket.org/hrojas/learn-pandas/src/master/
##Lesson 3
filtre = (df_erp["stock_status_2"] != df_erp["stock_status"])
print(filtre)

0      False
1      False
2      False
3      False
4       True
       ...  
820    False
821    False
822    False
823    False
824    False
Length: 825, dtype: bool


#Corriger la ou les données incohérentes
df_erp.loc[filtre, 'stock_status_2'] = df_erp["stock_status"]
#Verification en utilisant le même code que plus haut pour afficher les problemes
(df_erp["stock_status_2"] == df_erp["stock_status"]).sum()

825


###############
## LES PRIX  ##
###############

#Vérification des prix: Y a t-il des prix non renseignés, négatif ou nul?
prix_na = df_erp['price'].isna().sum()
prix_null = df_erp['price'].isnull().sum()
prix_négatif = df_erp['price'].loc[df_erp['price'] == 0].count()
#Afficher le ou les prix non renseignés dans la colonne "price"
print(f"Nombres d'article avec un prix non renseignés: {prix_na} ou une valeur null {prix_null} ou négatif {prix_négatif}")
#Afficher le prix minimum de la colonne "price"
prix_min = df_erp['price'].min()
print(f"Le prix le plus bas est {prix_min}")
#Afficher le prix maximum de la colonne "price"
prix_max = df_erp['price'].max()
print(f"Le prix le plus haut est {prix_max}")
#Afficher les prix inférieurs à 0 (qu'est ce qu'il faut en faire ?)
df_erp['price'] = df_erp['price'].abs()
prix_min = df_erp['price'].min()
print(f"Nouveau prix le plus bas est {prix_min}")

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2

145, -10, 0

array([1, 0], dtype=int64)

Nombre de valeur non existante, null, ou négatif 0, 0, 0
Prix min, 2.74
Prix max, 137.81

Le fichier web.xlsx comporte 1513 ligne(s)
Le fichier web.xlsx comporte 29 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1513 entries, 0 to 1512
Data columns (total 29 columns):
 #   Column                 Non-Null Count  Dtype         
---  ------                 --------------  -----         
 0   sku                    1428 non-null   object        
 1   virtual                1513 non-null   int64         
 2   downloadable           1513 non-null   int64         
 3   rating_count           1513 non-null   int64         
 4   average_rating         1430 non-null   float64       
 5   total_sales            1430 non-null   float64       
 6   tax_status             716 non-null    object        
 7   tax_class              0 non-null      float64       
 8   post_author            1430 non-null   float64       
 9   post_date              1430 non-null   datetime64[ns]
 10  post_date_gmt          1430 non-null   datetime64[ns]
 11  post_content           0 non-null      float64       
 12  product_type           1429 non-null   object        
 13  post_title             1430 non-null   object        
 14  post_excerpt           716 non-null    object        
 15  post_status            1430 non-null   object        
 16  comment_status         1430 non-null   object        
 17  ping_status            1430 non-null   object        
 18  post_password          0 non-null      float64       
 19  post_name              1430 non-null   object        
 20  post_modified          1430 non-null   datetime64[ns]
 21  post_modified_gmt      1430 non-null   datetime64[ns]
 22  post_content_filtered  0 non-null      float64       
 23  post_parent            1430 non-null   float64       
 24  guid                   1430 non-null   object        
 25  menu_order             1430 non-null   float64       
 26  post_type              1430 non-null   object        
 27  post_mime_type         714 non-null    object        
 28  comment_count          1430 non-null   float64       
dtypes: datetime64[ns](4), float64(10), int64(3), object(12)
memory usage: 342.9+ KB

['13127-1', '13127-1', 'bon-cadeau-25-euros', 'bon-cadeau-25-euros', nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan]

True

<class 'pandas.core.frame.DataFrame'>
Index: 85 entries, 1428 to 1512
Data columns (total 25 columns):
 #   Column             Non-Null Count  Dtype         
---  ------             --------------  -----         
 0   sku                0 non-null      object        
 1   virtual            85 non-null     int64         
 2   downloadable       85 non-null     int64         
 3   rating_count       85 non-null     int64         
 4   average_rating     2 non-null      float64       
 5   total_sales        2 non-null      float64       
 6   tax_status         2 non-null      object        
 7   post_author        2 non-null      float64       
 8   post_date          2 non-null      datetime64[ns]
 9   post_date_gmt      2 non-null      datetime64[ns]
 10  product_type       2 non-null      object        
 11  post_title         2 non-null      object        
 12  post_excerpt       2 non-null      object        
 13  post_status        2 non-null      object        
 14  comment_status     2 non-null      object        
 15  ping_status        2 non-null      object        
 16  post_name          2 non-null      object        
 17  post_modified      2 non-null      datetime64[ns]
 18  post_modified_gmt  2 non-null      datetime64[ns]
 19  post_parent        2 non-null      float64       
 20  guid               2 non-null      object        
 21  menu_order         2 non-null      float64       
 22  post_type          2 non-null      object        
 23  post_mime_type     0 non-null      object        
 24  comment_count      2 non-null      float64       
dtypes: datetime64[ns](4), float64(6), int64(3), object(12)
memory usage: 17.3+ KB

Nombre d'observation 825
Nombre caractéristiques 2


###############
## LES PRIX  ##
###############

#Vérification des prix: Y a t-il des prix non renseignés, négatif ou nul?
prix_na = df_erp['price'].isna().sum()
prix_null = df_erp['price'].isnull().sum()
prix_négatif = df_erp['price'].loc[df_erp['price'] == 0].count()
#Afficher le ou les prix non renseignés dans la colonne "price"
print(f"Nombres d'article avec un prix non renseignés: {prix_na} ou une valeur null {prix_null} ou négatif {prix_négatif}")
#Afficher le prix minimum de la colonne "price"
prix_min = df_erp['price'].min()
print(f"Le prix le plus bas est {prix_min}")
#Afficher le prix maximum de la colonne "price"
prix_max = df_erp['price'].max()
print(f"Le prix le plus haut est {prix_max}")
#Afficher les prix inférieurs à 0 (qu'est ce qu'il faut en faire ?)
df_erp['price'] = df_erp['price'].abs()
prix_min = df_erp['price'].min()
print(f"Nouveau prix le plus bas est {prix_min}")

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2

145, -10, 0

array([1, 0], dtype=int64)

Nombre de valeur non existante, null, ou négatif 0, 0, 0
Prix min, 2.74
Prix max, 137.81

Le fichier web.xlsx comporte 1513 ligne(s)
Le fichier web.xlsx comporte 29 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1513 entries, 0 to 1512
Data columns (total 29 columns):
 #   Column                 Non-Null Count  Dtype         
---  ------                 --------------  -----         
 0   sku                    1428 non-null   object        
 1   virtual                1513 non-null   int64         
 2   downloadable           1513 non-null   int64         
 3   rating_count           1513 non-null   int64         
 4   average_rating         1430 non-null   float64       
 5   total_sales            1430 non-null   float64       
 6   tax_status             716 non-null    object        
 7   tax_class              0 non-null      float64       
 8   post_author            1430 non-null   float64       
 9   post_date              1430 non-null   datetime64[ns]
 10  post_date_gmt          1430 non-null   datetime64[ns]
 11  post_content           0 non-null      float64       
 12  product_type           1429 non-null   object        
 13  post_title             1430 non-null   object        
 14  post_excerpt           716 non-null    object        
 15  post_status            1430 non-null   object        
 16  comment_status         1430 non-null   object        
 17  ping_status            1430 non-null   object        
 18  post_password          0 non-null      float64       
 19  post_name              1430 non-null   object        
 20  post_modified          1430 non-null   datetime64[ns]
 21  post_modified_gmt      1430 non-null   datetime64[ns]
 22  post_content_filtered  0 non-null      float64       
 23  post_parent            1430 non-null   float64       
 24  guid                   1430 non-null   object        
 25  menu_order             1430 non-null   float64       
 26  post_type              1430 non-null   object        
 27  post_mime_type         714 non-null    object        
 28  comment_count          1430 non-null   float64       
dtypes: datetime64[ns](4), float64(10), int64(3), object(12)
memory usage: 342.9+ KB

['13127-1', '13127-1', 'bon-cadeau-25-euros', 'bon-cadeau-25-euros', nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan]

True

<class 'pandas.core.frame.DataFrame'>
Index: 85 entries, 1428 to 1512
Data columns (total 25 columns):
 #   Column             Non-Null Count  Dtype         
---  ------             --------------  -----         
 0   sku                0 non-null      object        
 1   virtual            85 non-null     int64         
 2   downloadable       85 non-null     int64         
 3   rating_count       85 non-null     int64         
 4   average_rating     2 non-null      float64       
 5   total_sales        2 non-null      float64       
 6   tax_status         2 non-null      object        
 7   post_author        2 non-null      float64       
 8   post_date          2 non-null      datetime64[ns]
 9   post_date_gmt      2 non-null      datetime64[ns]
 10  product_type       2 non-null      object        
 11  post_title         2 non-null      object        
 12  post_excerpt       2 non-null      object        
 13  post_status        2 non-null      object        
 14  comment_status     2 non-null      object        
 15  ping_status        2 non-null      object        
 16  post_name          2 non-null      object        
 17  post_modified      2 non-null      datetime64[ns]
 18  post_modified_gmt  2 non-null      datetime64[ns]
 19  post_parent        2 non-null      float64       
 20  guid               2 non-null      object        
 21  menu_order         2 non-null      float64       
 22  post_type          2 non-null      object        
 23  post_mime_type     0 non-null      object        
 24  comment_count      2 non-null      float64       
dtypes: datetime64[ns](4), float64(6), int64(3), object(12)
memory usage: 17.3+ KB

Nombre d'observation 825
Nombre caractéristiques 2


###############
## LES PRIX  ##
###############

#Vérification des prix: Y a t-il des prix non renseignés, négatif ou nul?
prix_na = df_erp['price'].isna().sum()
prix_null = df_erp['price'].isnull().sum()
prix_négatif = df_erp['price'].loc[df_erp['price'] == 0].count()
#Afficher le ou les prix non renseignés dans la colonne "price"
print(f"Nombres d'article avec un prix non renseignés: {prix_na} ou une valeur null {prix_null} ou négatif {prix_négatif}")
#Afficher le prix minimum de la colonne "price"
prix_min = df_erp['price'].min()
print(f"Le prix le plus bas est {prix_min}")
#Afficher le prix maximum de la colonne "price"
prix_max = df_erp['price'].max()
print(f"Le prix le plus haut est {prix_max}")
#Afficher les prix inférieurs à 0 (qu'est ce qu'il faut en faire ?)
df_erp['price'] = df_erp['price'].abs()
prix_min = df_erp['price'].min()
print(f"Nouveau prix le plus bas est {prix_min}")

Nombres d'article avec un prix non renseignés: 0 ou une valeur null 0 ou négatif 0
Le prix le plus bas est -20.0
Le prix le plus haut est 225.0
Nouveau prix le plus bas est 5.2


#######################
### stock_quantity  ###
#######################

#Vérification de la colonne stock quantity
#Afficher la quantité minimum de la colonne "stock_quantity"
stock_max = df_erp['stock_quantity'].max()
#Afficher la quantité maximum de la colonne "stock_quantity"
stock_min = df_erp['stock_quantity'].min()
#Afficher les stocks inférieurs à 0 (qu'est ce qu'il faut en faire ?)
stock_inf_zero = df_erp['price'].loc[df_erp['stock_quantity'] < 0].count()
stock_inf_zero = df_erp.loc[df_erp['stock_quantity'] < 0, 'stock_quantity'] = 0
print(f"{stock_max}, {stock_min}, {stock_inf_zero}")
df_erp.sort_values(by='stock_quantity', ascending=True)

145, -10, 0

array([1, 0], dtype=int64)

Nombre de valeur non existante, null, ou négatif 0, 0, 0
Prix min, 2.74
Prix max, 137.81

Le fichier web.xlsx comporte 1513 ligne(s)
Le fichier web.xlsx comporte 29 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1513 entries, 0 to 1512
Data columns (total 29 columns):
 #   Column                 Non-Null Count  Dtype         
---  ------                 --------------  -----         
 0   sku                    1428 non-null   object        
 1   virtual                1513 non-null   int64         
 2   downloadable           1513 non-null   int64         
 3   rating_count           1513 non-null   int64         
 4   average_rating         1430 non-null   float64       
 5   total_sales            1430 non-null   float64       
 6   tax_status             716 non-null    object        
 7   tax_class              0 non-null      float64       
 8   post_author            1430 non-null   float64       
 9   post_date              1430 non-null   datetime64[ns]
 10  post_date_gmt          1430 non-null   datetime64[ns]
 11  post_content           0 non-null      float64       
 12  product_type           1429 non-null   object        
 13  post_title             1430 non-null   object        
 14  post_excerpt           716 non-null    object        
 15  post_status            1430 non-null   object        
 16  comment_status         1430 non-null   object        
 17  ping_status            1430 non-null   object        
 18  post_password          0 non-null      float64       
 19  post_name              1430 non-null   object        
 20  post_modified          1430 non-null   datetime64[ns]
 21  post_modified_gmt      1430 non-null   datetime64[ns]
 22  post_content_filtered  0 non-null      float64       
 23  post_parent            1430 non-null   float64       
 24  guid                   1430 non-null   object        
 25  menu_order             1430 non-null   float64       
 26  post_type              1430 non-null   object        
 27  post_mime_type         714 non-null    object        
 28  comment_count          1430 non-null   float64       
dtypes: datetime64[ns](4), float64(10), int64(3), object(12)
memory usage: 342.9+ KB

['13127-1', '13127-1', 'bon-cadeau-25-euros', 'bon-cadeau-25-euros', nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan]

True

<class 'pandas.core.frame.DataFrame'>
Index: 85 entries, 1428 to 1512
Data columns (total 25 columns):
 #   Column             Non-Null Count  Dtype         
---  ------             --------------  -----         
 0   sku                0 non-null      object        
 1   virtual            85 non-null     int64         
 2   downloadable       85 non-null     int64         
 3   rating_count       85 non-null     int64         
 4   average_rating     2 non-null      float64       
 5   total_sales        2 non-null      float64       
 6   tax_status         2 non-null      object        
 7   post_author        2 non-null      float64       
 8   post_date          2 non-null      datetime64[ns]
 9   post_date_gmt      2 non-null      datetime64[ns]
 10  product_type       2 non-null      object        
 11  post_title         2 non-null      object        
 12  post_excerpt       2 non-null      object        
 13  post_status        2 non-null      object        
 14  comment_status     2 non-null      object        
 15  ping_status        2 non-null      object        
 16  post_name          2 non-null      object        
 17  post_modified      2 non-null      datetime64[ns]
 18  post_modified_gmt  2 non-null      datetime64[ns]
 19  post_parent        2 non-null      float64       
 20  guid               2 non-null      object        
 21  menu_order         2 non-null      float64       
 22  post_type          2 non-null      object        
 23  post_mime_type     0 non-null      object        
 24  comment_count      2 non-null      float64       
dtypes: datetime64[ns](4), float64(6), int64(3), object(12)
memory usage: 17.3+ KB

Nombre d'observation 825
Nombre caractéristiques 2

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 2 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   id_web      734 non-null    object
 1   product_id  825 non-null    int64 
dtypes: int64(1), object(1)
memory usage: 13.0+ KB


#######################
### stock_quantity  ###
#######################

#Vérification de la colonne stock quantity
#Afficher la quantité minimum de la colonne "stock_quantity"
stock_max = df_erp['stock_quantity'].max()
#Afficher la quantité maximum de la colonne "stock_quantity"
stock_min = df_erp['stock_quantity'].min()
#Afficher les stocks inférieurs à 0 (qu'est ce qu'il faut en faire ?)
stock_inf_zero = df_erp['price'].loc[df_erp['stock_quantity'] < 0].count()
stock_inf_zero = df_erp.loc[df_erp['stock_quantity'] < 0, 'stock_quantity'] = 0
print(f"{stock_max}, {stock_min}, {stock_inf_zero}")
df_erp.sort_values(by='stock_quantity', ascending=True)

145, -10, 0


df_erp.head()

array([1, 0], dtype=int64)

Nombre de valeur non existante, null, ou négatif 0, 0, 0
Prix min, 2.74
Prix max, 137.81

Le fichier web.xlsx comporte 1513 ligne(s)
Le fichier web.xlsx comporte 29 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1513 entries, 0 to 1512
Data columns (total 29 columns):
 #   Column                 Non-Null Count  Dtype         
---  ------                 --------------  -----         
 0   sku                    1428 non-null   object        
 1   virtual                1513 non-null   int64         
 2   downloadable           1513 non-null   int64         
 3   rating_count           1513 non-null   int64         
 4   average_rating         1430 non-null   float64       
 5   total_sales            1430 non-null   float64       
 6   tax_status             716 non-null    object        
 7   tax_class              0 non-null      float64       
 8   post_author            1430 non-null   float64       
 9   post_date              1430 non-null   datetime64[ns]
 10  post_date_gmt          1430 non-null   datetime64[ns]
 11  post_content           0 non-null      float64       
 12  product_type           1429 non-null   object        
 13  post_title             1430 non-null   object        
 14  post_excerpt           716 non-null    object        
 15  post_status            1430 non-null   object        
 16  comment_status         1430 non-null   object        
 17  ping_status            1430 non-null   object        
 18  post_password          0 non-null      float64       
 19  post_name              1430 non-null   object        
 20  post_modified          1430 non-null   datetime64[ns]
 21  post_modified_gmt      1430 non-null   datetime64[ns]
 22  post_content_filtered  0 non-null      float64       
 23  post_parent            1430 non-null   float64       
 24  guid                   1430 non-null   object        
 25  menu_order             1430 non-null   float64       
 26  post_type              1430 non-null   object        
 27  post_mime_type         714 non-null    object        
 28  comment_count          1430 non-null   float64       
dtypes: datetime64[ns](4), float64(10), int64(3), object(12)
memory usage: 342.9+ KB

['13127-1', '13127-1', 'bon-cadeau-25-euros', 'bon-cadeau-25-euros', nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan]

True

<class 'pandas.core.frame.DataFrame'>
Index: 85 entries, 1428 to 1512
Data columns (total 25 columns):
 #   Column             Non-Null Count  Dtype         
---  ------             --------------  -----         
 0   sku                0 non-null      object        
 1   virtual            85 non-null     int64         
 2   downloadable       85 non-null     int64         
 3   rating_count       85 non-null     int64         
 4   average_rating     2 non-null      float64       
 5   total_sales        2 non-null      float64       
 6   tax_status         2 non-null      object        
 7   post_author        2 non-null      float64       
 8   post_date          2 non-null      datetime64[ns]
 9   post_date_gmt      2 non-null      datetime64[ns]
 10  product_type       2 non-null      object        
 11  post_title         2 non-null      object        
 12  post_excerpt       2 non-null      object        
 13  post_status        2 non-null      object        
 14  comment_status     2 non-null      object        
 15  ping_status        2 non-null      object        
 16  post_name          2 non-null      object        
 17  post_modified      2 non-null      datetime64[ns]
 18  post_modified_gmt  2 non-null      datetime64[ns]
 19  post_parent        2 non-null      float64       
 20  guid               2 non-null      object        
 21  menu_order         2 non-null      float64       
 22  post_type          2 non-null      object        
 23  post_mime_type     0 non-null      object        
 24  comment_count      2 non-null      float64       
dtypes: datetime64[ns](4), float64(6), int64(3), object(12)
memory usage: 17.3+ KB

Nombre d'observation 825
Nombre caractéristiques 2

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 2 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   id_web      734 non-null    object
 1   product_id  825 non-null    int64 
dtypes: int64(1), object(1)
memory usage: 13.0+ KB

Nombre de valeurs unique: 825
Nombre de valeurs: 825


df_erp.head()


#Vérification de la colonne onsale_web et des valeurs qu'elle contient? Que signifient-elles?
df_erp['onsale_web'].unique()

array([1, 0], dtype=int64)


#Quelles sont les colonnes à conserver selon vous?
#toutes sauf 'stock_status_2'


#Supprimer la colonne comportant le libellé "stock_status_2" car elle est redondante 
#avec la colonne "stock_status".
df_erp = df_erp.drop(columns={'stock_status_2'})


df_erp.head()

Nombre de valeur non existante, null, ou négatif 0, 0, 0
Prix min, 2.74
Prix max, 137.81

Le fichier web.xlsx comporte 1513 ligne(s)
Le fichier web.xlsx comporte 29 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1513 entries, 0 to 1512
Data columns (total 29 columns):
 #   Column                 Non-Null Count  Dtype         
---  ------                 --------------  -----         
 0   sku                    1428 non-null   object        
 1   virtual                1513 non-null   int64         
 2   downloadable           1513 non-null   int64         
 3   rating_count           1513 non-null   int64         
 4   average_rating         1430 non-null   float64       
 5   total_sales            1430 non-null   float64       
 6   tax_status             716 non-null    object        
 7   tax_class              0 non-null      float64       
 8   post_author            1430 non-null   float64       
 9   post_date              1430 non-null   datetime64[ns]
 10  post_date_gmt          1430 non-null   datetime64[ns]
 11  post_content           0 non-null      float64       
 12  product_type           1429 non-null   object        
 13  post_title             1430 non-null   object        
 14  post_excerpt           716 non-null    object        
 15  post_status            1430 non-null   object        
 16  comment_status         1430 non-null   object        
 17  ping_status            1430 non-null   object        
 18  post_password          0 non-null      float64       
 19  post_name              1430 non-null   object        
 20  post_modified          1430 non-null   datetime64[ns]
 21  post_modified_gmt      1430 non-null   datetime64[ns]
 22  post_content_filtered  0 non-null      float64       
 23  post_parent            1430 non-null   float64       
 24  guid                   1430 non-null   object        
 25  menu_order             1430 non-null   float64       
 26  post_type              1430 non-null   object        
 27  post_mime_type         714 non-null    object        
 28  comment_count          1430 non-null   float64       
dtypes: datetime64[ns](4), float64(10), int64(3), object(12)
memory usage: 342.9+ KB

['13127-1', '13127-1', 'bon-cadeau-25-euros', 'bon-cadeau-25-euros', nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan]

True

<class 'pandas.core.frame.DataFrame'>
Index: 85 entries, 1428 to 1512
Data columns (total 25 columns):
 #   Column             Non-Null Count  Dtype         
---  ------             --------------  -----         
 0   sku                0 non-null      object        
 1   virtual            85 non-null     int64         
 2   downloadable       85 non-null     int64         
 3   rating_count       85 non-null     int64         
 4   average_rating     2 non-null      float64       
 5   total_sales        2 non-null      float64       
 6   tax_status         2 non-null      object        
 7   post_author        2 non-null      float64       
 8   post_date          2 non-null      datetime64[ns]
 9   post_date_gmt      2 non-null      datetime64[ns]
 10  product_type       2 non-null      object        
 11  post_title         2 non-null      object        
 12  post_excerpt       2 non-null      object        
 13  post_status        2 non-null      object        
 14  comment_status     2 non-null      object        
 15  ping_status        2 non-null      object        
 16  post_name          2 non-null      object        
 17  post_modified      2 non-null      datetime64[ns]
 18  post_modified_gmt  2 non-null      datetime64[ns]
 19  post_parent        2 non-null      float64       
 20  guid               2 non-null      object        
 21  menu_order         2 non-null      float64       
 22  post_type          2 non-null      object        
 23  post_mime_type     0 non-null      object        
 24  comment_count      2 non-null      float64       
dtypes: datetime64[ns](4), float64(6), int64(3), object(12)
memory usage: 17.3+ KB

Nombre d'observation 825
Nombre caractéristiques 2

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 2 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   id_web      734 non-null    object
 1   product_id  825 non-null    int64 
dtypes: int64(1), object(1)
memory usage: 13.0+ KB

Nombre de valeurs unique: 825
Nombre de valeurs: 825

Nombre de valeurs unique: 735
Nombre de valeurs: 825


df_erp.head()


######################
##   prix d'achat   ##
######################

#Vérification de la colonne purchase_price : 
#Afficher le ou les prix non renseignés dans la colonne "purchase_price"
prix_na = df_erp['purchase_price'].isna().sum()
prix_null = df_erp['purchase_price'].isnull().sum()
prix_inf_zero = df_erp['purchase_price'].loc[df_erp['purchase_price'] < 0].count()

print(f"Nombre de valeur non existante, null, ou négatif {prix_na}, {prix_null}, {prix_inf_zero}")
#Afficher le prix minimum de la colonne "purchase_price"
prix_max = df_erp['purchase_price'].max()
#Afficher le prix maximum de la colonne "purchase_price"
prix_min = df_erp['purchase_price'].min()
print(f"Prix min, {prix_min}")
print(f"Prix max, {prix_max}")

Nombre de valeur non existante, null, ou négatif 0, 0, 0
Prix min, 2.74
Prix max, 137.81


#Dimension du dataset
#Nombre d'observations
print(f"Le fichier web.xlsx comporte {df_web.shape[0]} ligne(s)")
#Nombre de caractéristiques
print(f"Le fichier web.xlsx comporte {df_web.shape[1]} colonne(s)")

Le fichier web.xlsx comporte 1513 ligne(s)
Le fichier web.xlsx comporte 29 colonne(s)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1513 entries, 0 to 1512
Data columns (total 29 columns):
 #   Column                 Non-Null Count  Dtype         
---  ------                 --------------  -----         
 0   sku                    1428 non-null   object        
 1   virtual                1513 non-null   int64         
 2   downloadable           1513 non-null   int64         
 3   rating_count           1513 non-null   int64         
 4   average_rating         1430 non-null   float64       
 5   total_sales            1430 non-null   float64       
 6   tax_status             716 non-null    object        
 7   tax_class              0 non-null      float64       
 8   post_author            1430 non-null   float64       
 9   post_date              1430 non-null   datetime64[ns]
 10  post_date_gmt          1430 non-null   datetime64[ns]
 11  post_content           0 non-null      float64       
 12  product_type           1429 non-null   object        
 13  post_title             1430 non-null   object        
 14  post_excerpt           716 non-null    object        
 15  post_status            1430 non-null   object        
 16  comment_status         1430 non-null   object        
 17  ping_status            1430 non-null   object        
 18  post_password          0 non-null      float64       
 19  post_name              1430 non-null   object        
 20  post_modified          1430 non-null   datetime64[ns]
 21  post_modified_gmt      1430 non-null   datetime64[ns]
 22  post_content_filtered  0 non-null      float64       
 23  post_parent            1430 non-null   float64       
 24  guid                   1430 non-null   object        
 25  menu_order             1430 non-null   float64       
 26  post_type              1430 non-null   object        
 27  post_mime_type         714 non-null    object        
 28  comment_count          1430 non-null   float64       
dtypes: datetime64[ns](4), float64(10), int64(3), object(12)
memory usage: 342.9+ KB

['13127-1', '13127-1', 'bon-cadeau-25-euros', 'bon-cadeau-25-euros', nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan]

True

<class 'pandas.core.frame.DataFrame'>
Index: 85 entries, 1428 to 1512
Data columns (total 25 columns):
 #   Column             Non-Null Count  Dtype         
---  ------             --------------  -----         
 0   sku                0 non-null      object        
 1   virtual            85 non-null     int64         
 2   downloadable       85 non-null     int64         
 3   rating_count       85 non-null     int64         
 4   average_rating     2 non-null      float64       
 5   total_sales        2 non-null      float64       
 6   tax_status         2 non-null      object        
 7   post_author        2 non-null      float64       
 8   post_date          2 non-null      datetime64[ns]
 9   post_date_gmt      2 non-null      datetime64[ns]
 10  product_type       2 non-null      object        
 11  post_title         2 non-null      object        
 12  post_excerpt       2 non-null      object        
 13  post_status        2 non-null      object        
 14  comment_status     2 non-null      object        
 15  ping_status        2 non-null      object        
 16  post_name          2 non-null      object        
 17  post_modified      2 non-null      datetime64[ns]
 18  post_modified_gmt  2 non-null      datetime64[ns]
 19  post_parent        2 non-null      float64       
 20  guid               2 non-null      object        
 21  menu_order         2 non-null      float64       
 22  post_type          2 non-null      object        
 23  post_mime_type     0 non-null      object        
 24  comment_count      2 non-null      float64       
dtypes: datetime64[ns](4), float64(6), int64(3), object(12)
memory usage: 17.3+ KB

Nombre d'observation 825
Nombre caractéristiques 2

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 2 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   id_web      734 non-null    object
 1   product_id  825 non-null    int64 
dtypes: int64(1), object(1)
memory usage: 13.0+ KB

Nombre de valeurs unique: 825
Nombre de valeurs: 825

Nombre de valeurs unique: 735
Nombre de valeurs: 825

825


#Dimension du dataset
#Nombre d'observations
print(f"Le fichier web.xlsx comporte {df_web.shape[0]} ligne(s)")
#Nombre de caractéristiques
print(f"Le fichier web.xlsx comporte {df_web.shape[1]} colonne(s)")

Le fichier web.xlsx comporte 1513 ligne(s)
Le fichier web.xlsx comporte 29 colonne(s)


#Consulter le nombre de colonnes
#La nature des données dans chacune des colonnes
#Le nombre de valeurs présentes dans chacune des colonnes
df_web.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1513 entries, 0 to 1512
Data columns (total 29 columns):
 #   Column                 Non-Null Count  Dtype         
---  ------                 --------------  -----         
 0   sku                    1428 non-null   object        
 1   virtual                1513 non-null   int64         
 2   downloadable           1513 non-null   int64         
 3   rating_count           1513 non-null   int64         
 4   average_rating         1430 non-null   float64       
 5   total_sales            1430 non-null   float64       
 6   tax_status             716 non-null    object        
 7   tax_class              0 non-null      float64       
 8   post_author            1430 non-null   float64       
 9   post_date              1430 non-null   datetime64[ns]
 10  post_date_gmt          1430 non-null   datetime64[ns]
 11  post_content           0 non-null      float64       
 12  product_type           1429 non-null   object        
 13  post_title             1430 non-null   object        
 14  post_excerpt           716 non-null    object        
 15  post_status            1430 non-null   object        
 16  comment_status         1430 non-null   object        
 17  ping_status            1430 non-null   object        
 18  post_password          0 non-null      float64       
 19  post_name              1430 non-null   object        
 20  post_modified          1430 non-null   datetime64[ns]
 21  post_modified_gmt      1430 non-null   datetime64[ns]
 22  post_content_filtered  0 non-null      float64       
 23  post_parent            1430 non-null   float64       
 24  guid                   1430 non-null   object        
 25  menu_order             1430 non-null   float64       
 26  post_type              1430 non-null   object        
 27  post_mime_type         714 non-null    object        
 28  comment_count          1430 non-null   float64       
dtypes: datetime64[ns](4), float64(10), int64(3), object(12)
memory usage: 342.9+ KB


#Selon vous, quelles sont les colonnes à conserver ?
#Les colonnes avec des éléments à l'intérieur


#Si vous avez défini des colonnes à supprimer, effectuer l'opération
df_web = df_web.drop(columns={'tax_class','post_content', 'post_password', 'post_content_filtered'})


pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)


#Visualisation des valeurs de la colonne sku
#Quelles sont les valeurs qui ne semblent pas respecter la régle de codification?
df_web.head(len(df_web))


#Si vous avez identifié des codes articles ne respectant pas la régle de codification, consultez-les?
l = []
l_non_int = []
def int_filter(x):
    if isinstance(x, int):
        l.append(x)
    else:
        l_non_int.append(x)
        
df_web['sku'].apply(int_filter)
print(l_non_int)

['13127-1', '13127-1', 'bon-cadeau-25-euros', 'bon-cadeau-25-euros', nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan]


#Identifier les lignes sans code articles
df_rebus = pd.DataFrame(l_non_int)
df_rebus.head()


#Pour les codes articles identifiés, réalisé une analyse et définissez l'action à entreprendre
df_web_filtrer = df_web.loc[df_web['sku'].isin(df_rebus[0])]
df_web_filtrer.head()


#La clé pour chaque ligne est-elle uniques? ou autrement dit, y a-t-il des doublons?
df_web_filtrer.duplicated().any()

True


#Les lignes sans code article semble être toutes non renseignés
#Pour s'en assurer réaliser les étapes suivantes:
#1 - Créer un dataframe avec uniquement les lignes sans code article
df_nan = df_web.loc[df_web['sku'].isna()]
df_nan.head(len(df_nan))
#2 - utiliser la fonction df.info() sur ce nouveau dataframe pour observer le nombre de valeur reseigner dans chacune des colonnes

#3 - Que constatez-vous?
# il y a 2 articles, 2 vins de 2 années différentes


df_nan.info()

<class 'pandas.core.frame.DataFrame'>
Index: 85 entries, 1428 to 1512
Data columns (total 25 columns):
 #   Column             Non-Null Count  Dtype         
---  ------             --------------  -----         
 0   sku                0 non-null      object        
 1   virtual            85 non-null     int64         
 2   downloadable       85 non-null     int64         
 3   rating_count       85 non-null     int64         
 4   average_rating     2 non-null      float64       
 5   total_sales        2 non-null      float64       
 6   tax_status         2 non-null      object        
 7   post_author        2 non-null      float64       
 8   post_date          2 non-null      datetime64[ns]
 9   post_date_gmt      2 non-null      datetime64[ns]
 10  product_type       2 non-null      object        
 11  post_title         2 non-null      object        
 12  post_excerpt       2 non-null      object        
 13  post_status        2 non-null      object        
 14  comment_status     2 non-null      object        
 15  ping_status        2 non-null      object        
 16  post_name          2 non-null      object        
 17  post_modified      2 non-null      datetime64[ns]
 18  post_modified_gmt  2 non-null      datetime64[ns]
 19  post_parent        2 non-null      float64       
 20  guid               2 non-null      object        
 21  menu_order         2 non-null      float64       
 22  post_type          2 non-null      object        
 23  post_mime_type     0 non-null      object        
 24  comment_count      2 non-null      float64       
dtypes: datetime64[ns](4), float64(6), int64(3), object(12)
memory usage: 17.3+ KB


#Création d'un dataset sans erreur
d = {}

for i in range(len(df_web)):
    sku = df_web['sku'].iloc[i]
    total_sales = df_web['total_sales'].iloc[i]
    if sku in d:
        d[sku] = max(d[sku], total_sales)
    else:
        d[sku] = total_sales

df_web['total_sales'] = df_web['sku'].map(d)

df_web.head(len(df_web))


filter_int = df_web['sku'].loc[df_web['sku'].isin(l)]
df_web = df_web.loc[df_web['sku'].isin(filter_int)]
df_web.head(len(df_web))


df_web = df_web.loc[df_web['post_type'] == 'product']
df_web.head(len(df_web))


#Dimension du dataset
#Nombre d'observations
print(f"Nombre d'observation {df_liaison.shape[0]}")
#Nombre de caractéristiques
print(f"Nombre caractéristiques {df_liaison.shape[1]}")

Nombre d'observation 825
Nombre caractéristiques 2

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 2 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   id_web      734 non-null    object
 1   product_id  825 non-null    int64 
dtypes: int64(1), object(1)
memory usage: 13.0+ KB

Nombre de valeurs unique: 825
Nombre de valeurs: 825

Nombre de valeurs unique: 735
Nombre de valeurs: 825

825

(825, 7)

(712, 25)
(825, 7)

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62

115.17

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625


#Dimension du dataset
#Nombre d'observations
print(f"Nombre d'observation {df_liaison.shape[0]}")
#Nombre de caractéristiques
print(f"Nombre caractéristiques {df_liaison.shape[1]}")

Nombre d'observation 825
Nombre caractéristiques 2


#Consulter le nombre de colonnes
#La nature des données dans chacune des colonnes
#Le nombre de valeurs présentes dans chacune des colonnes
df_liaison.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 825 entries, 0 to 824
Data columns (total 2 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   id_web      734 non-null    object
 1   product_id  825 non-null    int64 
dtypes: int64(1), object(1)
memory usage: 13.0+ KB


#Les valeurs de la colonne "product_id" sont elles toutes uniques?
print(f"Nombre de valeurs unique: {len(df_liaison['product_id'].unique())}")
print(f"Nombre de valeurs: {len(df_liaison['product_id'])}")

Nombre de valeurs unique: 825
Nombre de valeurs: 825


#Les valeurs de la colonne "id_web" sont-elles toutes uniques?
print(f"Nombre de valeurs unique: {len(df_liaison['id_web'].unique())}")
print(f"Nombre de valeurs: {len(df_liaison['id_web'])}")

Nombre de valeurs unique: 735
Nombre de valeurs: 825


#Avons-nous des articles sans correspondances?
df_liaison.head(len(df_liaison))
#Oui


df_erp.head(len(df_erp))
print(df_erp.shape[0])
df_erp.sort_values(by='stock_quantity', ascending=True)

825


#Fusion des fichiers df_erp et df_liaison
df_erp_liaison = pd.merge(df_erp, df_liaison, on="product_id", how="inner")
df_erp_liaison.shape

(825, 7)

(712, 25)
(825, 7)

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62

115.17

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625

il y a 31 outlier pour une proportion de 4.35%

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€


#Fusion des fichiers df_erp et df_liaison
df_erp_liaison = pd.merge(df_erp, df_liaison, on="product_id", how="inner")
df_erp_liaison.shape

(825, 7)

(712, 25)
(825, 7)

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62

115.17

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625

il y a 31 outlier pour une proportion de 4.35%

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€


#Fusion des fichiers df_erp et df_liaison
df_erp_liaison = pd.merge(df_erp, df_liaison, on="product_id", how="inner")
df_erp_liaison.shape

(825, 7)


#Y a t-il des lignes ne "matchant" entre les 2 fichiers?
#Ce sont des produits qui ne sont pas sur le site web
df_erp_liaison.head(len(df_erp_liaison))


print(df_web.shape)
print(df_erp_liaison.shape)

(712, 25)
(825, 7)

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62

115.17

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625

il y a 31 outlier pour une proportion de 4.35%

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles


print(df_web.shape)
print(df_erp_liaison.shape)

(712, 25)
(825, 7)


#Fusionnez les datasets df_merge et df_web
df_web = df_web.rename(columns={'sku': 'id_web'})
df_merge = pd.merge(df_web, df_erp_liaison, on="id_web", how="inner")
df_merge.head(len(df_merge))
df_merge.sort_values(by='stock_quantity', ascending=True)


#Avons-nous des lignes sans correspondances?
# étant donné que l'on garde uniquement les produits sur le web


#Création d'une Boite à moustache de la répartition des prix grâce à Pandas
df_merge.boxplot(column='price')
plt.show()

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62

115.17

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625

il y a 31 outlier pour une proportion de 4.35%

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%


#Création d'une Boite à moustache de la répartition des prix grâce à Pandas
df_merge.boxplot(column='price')
plt.show()

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62

115.17

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625

il y a 31 outlier pour une proportion de 4.35%

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%


#Création d'une Boite à moustache de la répartition des prix grâce à Pandas
df_merge.boxplot(column='price')
plt.show()


#Autre méthode avec plotly express
fig = px.box(df_merge, y='price', title="Répartition des prix")
fig.show()


#Calculer la moyenne du prix
moyenne = round(sum(df_merge['price']) / df_merge['price'].count(), 2)
print(f"Moyenne des prix: {moyenne}")
#Calculer l'écart-type du prix
ecart_type = round(df_merge['price'].std(), 2)
print(f"Variabilité des prix par l'écart-type: {ecart_type}")
#Calculer le Z-score
df_merge['z_score'] = (df_merge['price'] -  moyenne) / ecart_type
df_merge.head()

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62

115.17

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625

il y a 31 outlier pour une proportion de 4.35%

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%


#Calculer la moyenne du prix
moyenne = round(sum(df_merge['price']) / df_merge['price'].count(), 2)
print(f"Moyenne des prix: {moyenne}")
#Calculer l'écart-type du prix
ecart_type = round(df_merge['price'].std(), 2)
print(f"Variabilité des prix par l'écart-type: {ecart_type}")
#Calculer le Z-score
df_merge['z_score'] = (df_merge['price'] -  moyenne) / ecart_type
df_merge.head()

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62

115.17

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625

il y a 31 outlier pour une proportion de 4.35%

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%


#Calculer la moyenne du prix
moyenne = round(sum(df_merge['price']) / df_merge['price'].count(), 2)
print(f"Moyenne des prix: {moyenne}")
#Calculer l'écart-type du prix
ecart_type = round(df_merge['price'].std(), 2)
print(f"Variabilité des prix par l'écart-type: {ecart_type}")
#Calculer le Z-score
df_merge['z_score'] = (df_merge['price'] -  moyenne) / ecart_type
df_merge.head()

Moyenne des prix: 32.31
Variabilité des prix par l'écart-type: 27.62


#Quel est le seuil prix dont z-score est supérieur à 3?
z_score_outlier = round((moyenne + (ecart_type * 3)), 2)
print(z_score_outlier)

115.17


#Identification par l'interval interquartile
q1 = df_merge['price'].quantile(0.25)
q3 = df_merge['price'].quantile(0.75)
iqr = q3 - q1
outlier_min = max(q1 - 1.5 * iqr, 0)
outlier_max = q3 + 1.5 * iqr
print(q1, q3)
print(f"outlier_min: {outlier_min}, outlier_max: {outlier_max}")

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625

il y a 31 outlier pour une proportion de 4.35%

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%

35.23027573298709

711


#Identification par l'interval interquartile
q1 = df_merge['price'].quantile(0.25)
q3 = df_merge['price'].quantile(0.75)
iqr = q3 - q1
outlier_min = max(q1 - 1.5 * iqr, 0)
outlier_max = q3 + 1.5 * iqr
print(q1, q3)
print(f"outlier_min: {outlier_min}, outlier_max: {outlier_max}")

14.037500000000001 42.025
outlier_min: 0, outlier_max: 84.00625


#Utilisation de la fonction describe de Pandas pour l'etude des mesures de dispersions
df_merge.describe()


#Définissez un seuil pour les articles "outliers" en prix
outlier = df_merge.loc[(df_merge['price'] > outlier_max) | (df_merge['price'] < outlier_min)]
outlier.head(len(outlier))


#Définissez le nombre d'articles et la proportion de l'ensemble du catalogue "outliers"
nb_outlier = len(outlier)
proportion_outlier = round((len(outlier) / len(df_merge['price'])) * 100, 2)

print(f"il y a {nb_outlier} outlier pour une proportion de {proportion_outlier}%")

il y a 31 outlier pour une proportion de 4.35%


#Selon vous, ces outliers sont-ils justifiés ? Comment le démontrer si cela est possible ?
#Dans l'industrie du vin certain produit peuvent être très rare car une cuvée ne sera jamais la même est donc chaque année est unique


##############################
# Calculer le CA su site web #
##############################

#Créez une colonne calculant le CA par article
df_merge["ca_par_article"] = df_merge['price'] * df_merge['total_sales']
#Calculez la somme de la colonne "ca_par_article"
somme = round(df_merge["ca_par_article"].sum(), 2)
#Ce résultat correspond au chiffre d'affaire du site web
print(f"Le chiffre d'affaire du site est de {somme}€")

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%

35.23027573298709

711


##############################
# Calculer le CA su site web #
##############################

#Créez une colonne calculant le CA par article
df_merge["ca_par_article"] = df_merge['price'] * df_merge['total_sales']
#Calculez la somme de la colonne "ca_par_article"
somme = round(df_merge["ca_par_article"].sum(), 2)
#Ce résultat correspond au chiffre d'affaire du site web
print(f"Le chiffre d'affaire du site est de {somme}€")

Le chiffre d'affaire du site est de 153353.9€

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%

35.23027573298709

711


##############################
# Calculer le CA su site web #
##############################

#Créez une colonne calculant le CA par article
df_merge["ca_par_article"] = df_merge['price'] * df_merge['total_sales']
#Calculez la somme de la colonne "ca_par_article"
somme = round(df_merge["ca_par_article"].sum(), 2)
#Ce résultat correspond au chiffre d'affaire du site web
print(f"Le chiffre d'affaire du site est de {somme}€")

Le chiffre d'affaire du site est de 153353.9€


###############################
# Palmares des articles en CA #
###############################

#Effectuer le tri dans l'ordre décroissant du CA du dataset df_merge
df_merge_sorted = df_merge.sort_values(by='ca_par_article', ascending=False)
#Réinitialiser l'index du dataset par un reset_index
#Afficher les 20 premier articles en CA
top_20 = df_merge_sorted.head(20)
fig = px.bar(
    top_20,
    x='ca_par_article',
    y=top_20['post_title'],
    title="Top 20 des articles par chiffre d'affaires",
    labels={'post_title': 'Article', 'ca_par_article': 'Chiffre d\'affaires'},
    text_auto=True
)
fig.update_traces(width=0.8)  

fig.update_layout(
    width=1000,  
    height=600,  
    xaxis_tickangle=-45,
    yaxis={'categoryorder': 'total ascending'}
)
fig.show()


#############################
# Calculer le 20 / 80 en CA #
#############################

#Créer une colonne calculant la part du CA de la ligne dans le dataset
df_merge['pourcentage_ca'] = round((df_merge['ca_par_article'] / somme) * 100, 3)
#Créer une colonne réalisant la somme cumulative de la colonne précedemment créée
df_merge_sorted = df_merge.sort_values(by='pourcentage_ca', ascending=False)
df_merge_sorted['cumul_somme'] = df_merge_sorted['pourcentage_ca'].cumsum()
#Grâce au deux colonnes créées précedemment, calculer le nombre d'articles représentant 80% du CA
total_80 = 0
l =[]
for i in df_merge_sorted['pourcentage_ca']:
    if total_80 < 80:
        total_80 += i
        l.append(i)
#Afficher la proportion que représentent ce groupe d'articles dans le catalogue entier du site web
round(total_80, 2)
print(len(l))

nb_produit = df_merge['id_web'].count()
pourcentage_produit_80_catalogue = round(len(l) / nb_produit * 100, 2)
print(f"{round(total_80, 2)}% du chiffre d'affaire est réalisé par {pourcentage_produit_80_catalogue}% du catalogue")
df_merge_sorted.head()

420
80.05% du chiffre d'affaire est réalisé par 58.99% du catalogue


#####################################
# Palmares des articles en quantité #
#####################################

#Effectuer le tri dans l'ordre décroissant de quantités vendues du dataset df_merge
df_merge_sorted_sell = df_merge.sort_values(by='total_sales', ascending=False).reset_index(drop=True)
#Réinitialiser l'index du dataset par un reset_index

#Afficher les 20 premier articles en quantité

#Graphique en barre des 20 premiers articles avec plotly express
fig = px.bar(
    df_merge_sorted_sell.head(20),
    x='total_sales',
    y=top_20['post_title'],
    title="Top 20 des articles par nombre de vente",
    labels={'y': 'Article', 'total_sales': 'Nombre de ventes'},
    text_auto=True
)
fig.update_traces(width=0.8)  

fig.update_layout(
    width=1000,  
    height=600,  
    xaxis_tickangle=-45,
    yaxis={'categoryorder': 'total ascending'}
)
fig.show()

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%

35.23027573298709

711


#####################################
# Palmares des articles en quantité #
#####################################

#Effectuer le tri dans l'ordre décroissant de quantités vendues du dataset df_merge
df_merge_sorted_sell = df_merge.sort_values(by='total_sales', ascending=False).reset_index(drop=True)
#Réinitialiser l'index du dataset par un reset_index

#Afficher les 20 premier articles en quantité

#Graphique en barre des 20 premiers articles avec plotly express
fig = px.bar(
    df_merge_sorted_sell.head(20),
    x='total_sales',
    y=top_20['post_title'],
    title="Top 20 des articles par nombre de vente",
    labels={'y': 'Article', 'total_sales': 'Nombre de ventes'},
    text_auto=True
)
fig.update_traces(width=0.8)  

fig.update_layout(
    width=1000,  
    height=600,  
    xaxis_tickangle=-45,
    yaxis={'categoryorder': 'total ascending'}
)
fig.show()


#############################
# Calculer le 20 / 80 en CA #
#############################

total_ventes = df_merge['total_sales'].sum()
print(f"Il y a eu {total_ventes} ventes")
#Créer une colonne calculant la part en quantité de la ligne dans le dataset
df_merge_sorted_sell['pourcentage_total_sales'] = df_merge_sorted_sell['total_sales'] / total_ventes * 100
#Créer une colonne réalisant la somme cumulative de la colonne précedemment créée
df_merge_sorted_sell['cumul_pourcentage_total_sales'] = df_merge_sorted_sell['pourcentage_total_sales'].cumsum()
#Grâce au deux colonnes créées précedemment, calculer le nombre d'articles représentant 80% des ventes en quantité
total_80 = 0
l = []
for i in df_merge_sorted_sell['pourcentage_total_sales']:
    if total_80 < 80:
        total_80 += i
        l.append(i)
        

#Afficher la proportion que représentent ce groupe d'articles dans le catalogue entier du site web

proportion_article = round(len(l) / nb_produit * 100, 2)
print(f"{round(total_80, 2)}% des ventes de la boutique sont réalisé par {proportion_article}% des produits")

Il y a eu 6070.0 ventes
80.08% des ventes de la boutique sont réalisé par 59.55% des produits


######################################
# Calcule le nombre de mois de stock #
######################################

#Import de numpy 
import numpy as np
#Création de la colonne Rotation de stock
df_merge['stock_debut_mois'] = df_merge['stock_quantity'] + df_merge['total_sales']
stock_moyen = (df_merge['stock_debut_mois'] + df_merge['stock_quantity']) / 2
stock_moyen_valeur = stock_moyen * df_merge['purchase_price']
cmv = df_merge['total_sales'] * df_merge['purchase_price']
df_merge['rotation_stock'] = cmv / stock_moyen_valeur

#Remplacement des "inf" par 0
df_merge['rotation_stock'] = df_merge['rotation_stock'].fillna(0)
#Effectuer le tri dans l'ordre décroissant du nombre de mois de stock dans le dataset df_merge
df_merge_rotation_sup_0 = df_merge.loc[df_merge['rotation_stock'] > 0]
df_flop_20 = df_merge_rotation_sup_0.sort_values(by='rotation_stock', ascending=True)
#Graphique en barre du flop 20 des produits qui ont le plus de mois de stock
fig = px.bar(
    df_flop_20.head(20),
    x='rotation_stock',
    y='post_title',
    title="Flop 20 des produits qui ont le plus de mois de stock",
    text_auto=True,
    labels={'post_title': 'Article', 'rotation_stock': 'Ecoulement du stock par mois'}
)

fig.update_traces(width=1)
fig.update_layout(
    width=1000,  
    height=500,  
    xaxis_tickangle=-45,
    yaxis={'categoryorder': 'total descending'}
)
fig.show()

La valorisation du stock est de: 493734.1€

il y a 16711 articles

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%

35.23027573298709

711


######################################
# Calcule le nombre de mois de stock #
######################################

#Import de numpy 
import numpy as np
#Création de la colonne Rotation de stock
df_merge['stock_debut_mois'] = df_merge['stock_quantity'] + df_merge['total_sales']
stock_moyen = (df_merge['stock_debut_mois'] + df_merge['stock_quantity']) / 2
stock_moyen_valeur = stock_moyen * df_merge['purchase_price']
cmv = df_merge['total_sales'] * df_merge['purchase_price']
df_merge['rotation_stock'] = cmv / stock_moyen_valeur

#Remplacement des "inf" par 0
df_merge['rotation_stock'] = df_merge['rotation_stock'].fillna(0)
#Effectuer le tri dans l'ordre décroissant du nombre de mois de stock dans le dataset df_merge
df_merge_rotation_sup_0 = df_merge.loc[df_merge['rotation_stock'] > 0]
df_flop_20 = df_merge_rotation_sup_0.sort_values(by='rotation_stock', ascending=True)
#Graphique en barre du flop 20 des produits qui ont le plus de mois de stock
fig = px.bar(
    df_flop_20.head(20),
    x='rotation_stock',
    y='post_title',
    title="Flop 20 des produits qui ont le plus de mois de stock",
    text_auto=True,
    labels={'post_title': 'Article', 'rotation_stock': 'Ecoulement du stock par mois'}
)

fig.update_traces(width=1)
fig.update_layout(
    width=1000,  
    height=500,  
    xaxis_tickangle=-45,
    yaxis={'categoryorder': 'total descending'}
)
fig.show()


df_flop_20.head(25)


####################################
# Valorisation des stocks en euros #
####################################

#Création de la colonne Valorisation des stocks en euros
df_merge['valorisation_stock_euros'] = df_merge['stock_quantity'] * df_merge['price']
#Calculer la somme de la colonne "Valorisation_stock_euros"
somme_valorisation = df_merge['valorisation_stock_euros'].sum()
print(f"La valorisation du stock est de: {somme_valorisation}€")

La valorisation du stock est de: 493734.1€


##############################################
# Valorisation du nombre de produit en stock #
##############################################

#Calculer la somme de la colonne stock quantity
somme_nb_articles = df_merge['stock_quantity'].sum()
print(f"il y a {somme_nb_articles} articles")

il y a 16711 articles


############################
# Analyse du taux de marge #
############################

#Création de la colonne prix HT
calcul_ht = df_merge['price'] * 0.20
df_merge['prix_ht'] = df_merge['price'] - calcul_ht
#Création de la colonne Taux de marge
taux_de_marge = (df_merge['prix_ht'] - df_merge['purchase_price']) / df_merge['prix_ht'] * 100
#Afficher le prix minimum de la colonne "taux_marge"
df_merge['taux_de_marge'] = taux_de_marge
#Afficher le prix maximum de la colonne "taux_marge"
df_merge.head(len(df_merge))

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%

35.23027573298709

711


############################
# Analyse du taux de marge #
############################

#Création de la colonne prix HT
calcul_ht = df_merge['price'] * 0.20
df_merge['prix_ht'] = df_merge['price'] - calcul_ht
#Création de la colonne Taux de marge
taux_de_marge = (df_merge['prix_ht'] - df_merge['purchase_price']) / df_merge['prix_ht'] * 100
#Afficher le prix minimum de la colonne "taux_marge"
df_merge['taux_de_marge'] = taux_de_marge
#Afficher le prix maximum de la colonne "taux_marge"
df_merge.head(len(df_merge))


#affichage de la ligne avec un taux de marge inférieur à 0
tdm_inf = df_merge.loc[df_merge['taux_de_marge'] < 0]
tdm_inf.head()


#création d'un dataframe avec les taux positifs
tdm_pos = df_merge.loc[df_merge['taux_de_marge'] > 0]
df_margin = pd.DataFrame(tdm_pos)
#Afficher le prix minimum de la colonne "taux_marge"
marge_min = round(df_margin['taux_de_marge'].min(), 2)
#Afficher le prix maximum de la colonne "taux_marge"
marge_max = round(df_margin['taux_de_marge'].max(), 2)
print(f"La marge la plus basse est de: {marge_min}%, la plus haute est de {marge_max}%")

La marge la plus basse est de: 19.56%, la plus haute est de 45.58%


#création d'un dataframe avec le taux de marge moyen par type de produit
mmpp = df_margin.groupby('product_type')['taux_de_marge'].mean()
taux_de_marge_moyen = df_margin['taux_de_marge'].mean()
marge_moyenne_par_produit = pd.DataFrame(mmpp).reset_index()
marge_moyenne_par_produit.head()
mmpp_sorted = marge_moyenne_par_produit.sort_values(by='taux_de_marge', ascending=True)
#Affichage dans un graphique du taux de marge par type de produit
fig = px.bar(
    mmpp_sorted.head(20),
    x='taux_de_marge',
    y='product_type', 
    title="Top des types de produits par taux de marge",
    labels={'product_type': 'Type de produit', 'taux_de_marge': 'Taux de marge (%)'},
    text_auto=True
)
fig.update_traces(width=0.8)
fig.update_layout(
    width=750,  
    height=400,  
    xaxis_tickangle=-45,
    yaxis={'categoryorder': 'total ascending'}
)
fig.show()
print(taux_de_marge_moyen)

35.23027573298709


import seaborn as sns

df_histogramme = pd.DataFrame(df_merge['post_name']).reset_index()
df_histogramme['total_sales'] = df_merge['total_sales']
df_histogramme['ca_par_article'] = df_merge['ca_par_article'] / 10
df_histogramme['taux_de_marge'] = df_merge['taux_de_marge']
df_histogramme_sorted = df_histogramme.sort_values(by='ca_par_article', ascending=False)

#Création d'un heatmap de correlation avec les variables stock, sales et price
correlation = df_margin[['total_sales', 'ca_par_article', 'stock_quantity', 'taux_de_marge']].corr()
mask = np.triu(np.ones_like(correlation, dtype=bool))
sns.heatmap(
    correlation,
    annot=True,
    mask=mask
)

plt.title('correlation')
plt.show()


df_margin.head()

711


df_margin.head()


############################
# Analyse des correlations #
############################

#Importation de Seaborn


#Création d'un heatmap de correlation avec les variables stock, sales et price
correlation = df_margin[['price', 'purchase_price', 'prix_ht', 'stock_quantity', 'total_sales', 'taux_de_marge']].corr()
mask = np.triu(np.ones_like(correlation, dtype=bool))
sns.heatmap(
    correlation,
    annot=True,
    mask=mask
)
plt.title('correlation')
plt.show()
#on peut également créer un mask pour n'afficher qu'une demi heatmap


#Que peut-on conclure des correlations ?
#Le prix est directement corrélée au prix d'achat ainsi que le prix ht
#On voit aussi une corrélation négative entre le sotck et le taux de marge cela veut dire que moins on a de stock plus la marge est élevé
#Et une faible corrélation positive entre le stock et le nombre total de vente ce qui signifie que plus le stock est elevé plus l'on a de chance de vendre
#Cependant la corrélation est de seulement 0.3 car avoir du stock n'aide en rien la décision de l'acheteur


len(df_margin)

711


len(df_margin)

711


#Mettre le dataset df_merge sur un fichier Excel
df_margin.to_csv('Données_Bottleneck_octobre.csv', sep=';', encoding='utf-16', index=False)
#Cette étape peut-être utile pour partager le résultat du dataset obtenu pour le partager avec les équipes.  
df_margin.head(len(df_margin))

	product_id	onsale_web	price	stock_quantity	stock_status	purchase_price
0	3847	1	24.2	16	instock	12.88
1	3849	1	34.3	10	instock	17.54
2	3850	1	20.8	0	outofstock	10.64
3	4032	1	14.1	26	instock	6.92
4	4039	1	46.0	3	outofstock	23.77

	product_id	onsale_web	price	stock_quantity	stock_status	purchase_price	stock_status_2
326	4706	1	16.8	0	outofstock	8.68	outofstock
188	4283	1	27.0	0	outofstock	13.25	outofstock
185	4279	0	10.8	0	outofstock	5.64	outofstock
184	4278	0	21.5	0	outofstock	10.78	outofstock
180	4274	1	12.9	0	outofstock	6.33	outofstock
...	...	...	...	...	...	...	...
475	5025	1	112.0	136	instock	68.60	instock
697	6126	1	135.0	138	instock	80.33	instock
203	4334	1	49.0	142	instock	30.01	instock
205	4337	1	83.0	145	instock	48.90	instock
207	4350	1	79.5	145	instock	47.30	instock

	product_id	onsale_web	price	stock_quantity	stock_status	purchase_price
0	3847	1	24.2	16	instock	12.88
1	3849	1	34.3	10	instock	17.54
2	3850	1	20.8	0	outofstock	10.64
3	4032	1	14.1	26	instock	6.92
4	4039	1	46.0	3	outofstock	23.77

	sku	average_rating	total_sales	tax_status	post_author	post_date	post_date_gmt	product_type	post_title	post_excerpt	post_status	comment_status	ping_status	post_name	post_modified	post_modified_gmt	post_parent	guid	menu_order	post_type	post_mime_type	comment_count
1424	13127-1	0.0	4.0	taxable	2.0	2020-06-09 15:42:04	2020-06-09 13:42:04	Vin	Clos du Mont-Olivet Châteauneuf-du-Pape 2007	Nez gracieux, très élégant avec une touche flo...	publish	closed	closed	clos-du-mont-olivet-chateauneuf-du-pape-2007-2	2020-07-20 17:09:06	2020-07-20 15:09:06	0.0	https://www.bottle-neck.fr/?post_type=product&...	0.0	product	NaN	0.0
1425	13127-1	0.0	4.0	NaN	2.0	2020-06-09 15:42:04	2020-06-09 13:42:04	Vin	Clos du Mont-Olivet Châteauneuf-du-Pape 2007	NaN	publish	closed	closed	clos-du-mont-olivet-chateauneuf-du-pape-2007-2	2020-07-20 17:09:06	2020-07-20 15:09:06	0.0	https://www.bottle-neck.fr/wp-content/uploads/...	0.0	attachment	image/jpeg	0.0
1426	bon-cadeau-25-euros	0.0	7.0	NaN	1.0	2018-06-01 13:53:46	2018-06-01 11:53:46	Autre	Bon cadeau de 25€	NaN	publish	closed	closed	bon-cadeau-de-25-euros	2018-06-01 14:13:57	2018-06-01 12:13:57	0.0	https://www.bottle-neck.fr/wp-content/uploads/...	0.0	attachment	image/jpeg	0.0
1427	bon-cadeau-25-euros	0.0	7.0	taxable	1.0	2018-06-01 13:53:46	2018-06-01 11:53:46	NaN	Bon cadeau de 25€	<span style="color: #a85253;"><strong>Parlons ...	publish	closed	closed	bon-cadeau-de-25-euros	2018-06-01 14:13:57	2018-06-01 12:13:57	0.0	https://www.bottle-neck.fr/?post_type=product&...	0.0	product	NaN	0.0
1428	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN

	sku	average_rating	total_sales	tax_status	post_author	post_date	post_date_gmt	product_type	post_title	post_excerpt	post_status	comment_status	ping_status	post_name	post_modified	post_modified_gmt	post_parent	guid	menu_order	post_type	post_mime_type	comment_count
1428	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1429	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1430	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1431	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1432	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1433	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1434	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1435	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1436	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1437	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1438	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1439	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1440	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1441	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1442	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1443	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1444	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1445	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1446	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1447	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1448	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1449	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1450	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1451	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1452	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1453	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1454	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1455	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1456	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1457	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1458	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1459	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1460	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1461	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1462	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1463	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1464	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1465	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1466	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1467	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1468	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1469	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1470	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1471	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1472	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1473	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1474	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1475	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1476	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1477	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1478	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1479	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1480	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1481	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1482	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1483	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1484	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1485	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1486	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1487	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1488	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1489	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1490	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1491	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1492	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1493	NaN	0.0	-56.0	taxable	2.0	2018-08-08 11:23:43	2018-08-08 09:23:43	Vin	Pierre Jean Villa Condrieu Jardin Suspendu 2018	<span id="u1194-83">Le nez séduit par ses parf...	publish	closed	closed	pierre-jean-villa-condrieu-suspendu-2018	2019-11-02 13:24:01	2019-11-02 12:24:01	0.0	https://www.bottle-neck.fr/?post_type=product&...	0.0	product	NaN	0.0
1494	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1495	NaN	0.0	-17.0	taxable	2.0	2018-07-31 12:07:23	2018-07-31 10:07:23	Vin	Pierre Jean Villa Côte Rôtie Fongeant 2017	Fongeant 2017 explose sur un fruit brillant, p...	publish	closed	closed	pierre-jean-villa-cote-rotie-fongeant-2017	2019-11-02 13:24:15	2019-11-02 12:24:15	0.0	https://www.bottle-neck.fr/?post_type=product&...	0.0	product	NaN	0.0
1496	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1497	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1498	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1499	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1500	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1501	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1502	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1503	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1504	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1505	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1506	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1507	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1508	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1509	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1510	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1511	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN
1512	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaT	NaT	NaN	NaN	NaN	NaN	NaN	NaN

ANALYSE DU STOCK ET DES VENTES DU SITE BOTTLENECK

OBJECTIF DE CE NOTEBOOK¶

Etape 1 - Importation des librairies et chargement des fichiers

1.1 - Importation des librairies

1.2 - Chargements des fichiers

Etape 2 - Analyse exploratoire des fichiers

2.1 - Analyse exploratoire du fichier erp.xlsx

2.1.1 - Analyse exploratoire de chaque variable du fichier erp.xlsx

2.1.1.1 - Analyse de la variable PRIX

2.1.1.2 - Analyse de la variable STOCK

2.1.1.3 - Analyse de la variable ONSALE_WEB

2.1.1.4 - Analyse de la variable prix d'achat

2.2 - Analyse exploratoire du fichier web.xlsx

2.3 - Analyse exploratoire du fichier liaison.xlsx

Etape 3 - Jonction des fichiers

Etape 3.1 - Jonction du fichier df_erp et df_liaison

Etape 3.2 - Jonction du fichier df_merge et df_web

Etape 4 - Analyse univarié des prix

Etape 4.1 - Exploration par la visualisation de données

Etape 4.2 - Exploration par l'utisation de méthodes statistique

Etape 4.2.1 - Identification par le Z-index

Etape 4.2.2 - Identification par l'interval interquartile

Etape 5 - Analyse univarié du CA, des quantités vendues, des stocks et de la marge ainsi qu'une analyse multivarié

Etape 5.1 - Analyse des ventes en CA

Etape 5.2 - Analyse des ventes en Quantités

Etape 5.3 - Analyse des stocks

Etape 5.4 - Analyse du taux de marge

Etape 5.5 - Analyse des correlations entre les variables stock, sales et price

Etape 5.6 - Mettre à disposition la nouvelle table sur un fichier Excel

	id_web	product_id
0	15298	3847
1	15296	3849
2	15300	3850
3	19814	4032
4	19815	4039
5	15303	4040
6	14975	4041
7	16042	4042
8	14980	4043
9	16041	4045
10	15269	4046
11	14977	4047
12	16044	4048
13	16043	4049
14	16449	4050
15	16045	4051
16	16030	4052
17	13127	4053
18	19816	4054
19	NaN	4055
20	16029	4056
21	16039	4057
22	16318	4058
23	16275	4059
24	16498	4060
25	16320	4062
26	16319	4063
27	15966	4064
28	15022	4065
29	15967	4066
30	15490	4067
31	16416	4068
32	11862	4069
33	15444	4070
34	15953	4071
35	12045	4072
36	13074	4073
37	15941	4074
38	16069	4075
39	13072	4076
40	15440	4077
41	13435	4078
42	13078	4079
43	13117	4081
44	16296	4083
45	16014	4084
46	16462	4085
47	16013	4086
48	16180	4087
49	NaN	4090
50	NaN	4092
51	15676	4094
52	16120	4095
53	15564	4096
54	15675	4097
55	15378	4098
56	15813	4099
57	13416	4100
58	14905	4101
59	15767	4102
60	16505	4103
61	15683	4104
62	16504	4105
63	15787	4106
64	14800	4107
65	15353	4108
66	15382	4115
67	15339	4130
68	11668	4132
69	13209	4137
70	15341	4138
71	13217	4139
72	304	4141
73	11641	4142
74	1662	4144
75	1360	4146
76	15648	4147
77	1364	4148
78	7086	4149
79	1366	4150
80	15140	4151
81	16238	4152
82	16237	4153
83	15141	4154
84	14944	4155
85	14941	4156
86	14751	4157
87	16093	4158
88	15668	4159
89	15373	4160
90	15375	4161
91	14474	4162
92	15482	4163
93	13453	4164
94	15075	4165
95	16124	4166
96	15785	4167
97	15784	4168
98	15786	4170
99	14332	4171
100	16210	4172
101	16211	4173
102	16209	4174
103	15629	4176
104	15583	4177
105	16160	4178
106	16166	4179
107	15783	4180
108	16560	4181
109	15747	4182
110	15746	4183
111	16190	4186
112	16189	4187
113	16265	4188
114	16191	4190
115	16263	4191
116	15605	4192
117	16529	4193
118	15441	4194
119	NaN	4195
120	13032	4196
121	16256	4197
122	16322	4198
123	16295	4200
124	15656	4201
125	15655	4202
126	15415	4203
127	15414	4204
128	15413	4205
129	16023	4207
130	16024	4208
131	NaN	4209
132	15720	4210
133	15714	4211
134	15717	4212
135	15718	4213
136	15480	4215
137	15213	4216
138	15672	4217
139	12599	4219
140	15758	4220
141	15829	4221
142	15759	4222
143	16585	4223
144	15306	4224
145	16497	4225
146	15261	4227
147	12657	4228
148	15403	4229
149	15461	4231
150	16269	4232
151	NaN	4233
152	13905	4235
153	16567	4239
154	15436	4240
155	14725	4241
156	15310	4242
157	15770	4244
158	16097	4245
159	15428	4246
160	15033	4248
161	16317	4250
162	15032	4251
163	6616	4253
164	12203	4254
165	14253	4256
166	12476	4257
167	14485	4258
168	14945	4260
169	15662	4261
170	15663	4262
171	15664	4263
172	15665	4264
173	15136	4265
174	16537	4267
175	16307	4268
176	16244	4269
177	15839	4270
178	13460	4271
179	13089	4272
180	12942	4274
181	14864	4275
182	14527	4276
183	14865	4277
184	NaN	4278
185	NaN	4279
186	15690	4280
187	16330	4281
188	16154	4283
189	16153	4285
190	16066	4286
191	16065	4287
192	15292	4288
193	13771	4289
194	16246	4297
195	16501	4298
196	16578	4299
197	15567	4300
198	16553	4301
199	13172	4303
200	15120	4304
201	15949	4306
202	15946	4307
203	7818	4334
204	13599	4336
205	4679	4337
206	12586	4348
207	12588	4350
208	15940	4352
209	12587	4353
210	12589	4355
211	12585	4356
212	9562	4357
213	13854	4358
214	13853	4359
215	11585	4364
216	11467	4391
217	11586	4392
218	13765	4393
219	13766	4394
220	11587	4395
221	9636	4396
222	12639	4397
223	12641	4398
224	12640	4399
225	14768	4400
226	3506	4401
227	3510	4402
228	3507	4404
229	13230	4405
230	7819	4406
231	3509	4407
232	15426	4558
233	15621	4564
234	NaN	4565
235	15457	4566
236	15065	4568
237	13604	4573
238	NaN	4577
239	NaN	4578
240	12857	4582
241	14785	4584
242	NaN	4594
243	15476	4596
244	14000	4597
245	15478	4598
246	NaN	4599
247	15475	4600
248	16151	4601
249	15659	4602
250	15147	4603
251	15660	4604
252	15148	4605
253	15149	4606
254	15146	4607
255	15145	4609
256	15801	4610
257	15452	4611
258	15038	4612
259	15030	4613
260	15875	4614
261	16186	4615
262	14371	4616
263	10459	4617
264	14372	4618
265	11049	4619
266	15850	4620
267	15849	4621
268	812	4625
269	807	4626
270	805	4627
271	802	4628
272	2534	4629
273	793	4630
274	791	4631
275	2179	4632
276	804	4633
277	41	4634
278	798	4635
279	2361	4636
280	15848	4646
281	16525	4647
282	16262	4648
283	16261	4649
284	15206	4650
285	11849	4651
286	13515	4653
287	13514	4654
288	13516	4655
289	10814	4656
290	11847	4657
291	13517	4658
292	NaN	4659
293	16081	4662
294	15402	4664
295	15404	4665
296	13647	4666
297	14657	4668
298	16053	4669
299	15525	4670
300	15527	4671
301	14676	4672
302	16057	4673
303	16056	4674
304	13762	4675
305	15280	4676
306	15282	4677
307	15281	4678
308	15283	4679
309	15934	4680
310	15933	4681
311	15575	4682
312	16239	4683
313	14451	4684
314	16324	4686
315	15582	4687
316	13736	4689
317	13659	4690
318	NaN	4692
319	NaN	4693
320	NaN	4697
321	NaN	4698
322	NaN	4702
323	15465	4703
324	15004	4704
325	14699	4705
326	15349	4706
327	15466	4707
328	14700	4708
329	10775	4709
330	16119	4711
331	15667	4712
332	14746	4713
333	15361	4714
334	15196	4715
335	15657	4716
336	15658	4717
337	15670	4718
338	16527	4719
339	16513	4720
340	NaN	4721
341	15880	4722
342	15879	4723
343	16010	4725
344	14950	4726
345	16540	4727
346	15729	4728
347	38	4729
348	5646	4730
349	8344	4731
350	15576	4733
351	16138	4734
352	NaN	4738
353	14366	4739
354	13412	4740
355	12601	4741
356	NaN	4744
357	14632	4748
358	15315	4749
359	13627	4750
360	14184	4752
361	15429	4753
362	16132	4755
363	14680	4757
364	15859	4758
365	16229	4759
366	14302	4776
367	16072	4778
368	14300	4779
369	13096	4780
370	16564	4782
371	13754	4783
372	15734	4784
373	15448	4785
374	15881	4786
375	15731	4788
376	15316	4789
377	15732	4790
378	14599	4791
379	15733	4792
380	15730	4793
381	12771	4794
382	3568	4795
383	14506	4797
384	NaN	4798
385	15811	4799
386	16342	4858
387	16292	4860
388	15307	4861
389	16047	4862
390	16255	4863
391	15154	4864
392	16274	4865
393	16148	4867
394	14360	4869
395	16149	4870
396	NaN	4874
397	16289	4876
398	14981	4885
399	15773	4886
400	15776	4888
401	16037	4889
402	16038	4890
403	15807	4891
404	15952	4892
405	15808	4893
406	16062	4899
407	16063	4900
408	14802	4901
409	13052	4902
410	14805	4903
411	14220	4904
412	14374	4907
413	14395	4908
414	15614	4909
415	13809	4910
416	NaN	4911
417	15612	4912
418	13814	4913
419	15613	4914
420	15615	4915
421	15533	4918
422	15531	4919
423	15530	4920
424	15608	4921
425	15586	4922
426	15928	4923
427	16276	4924
428	16277	4925
429	15456	4926
430	15425	4927
431	15047	4928
432	15927	4929
433	16155	4930
434	16280	4931
435	9937	4932
436	16281	4933
437	15554	4934
438	15106	4936
439	16283	4937
440	13379	4938
441	15338	4939
442	15337	4940
443	bon-cadeau-25-euros	4954
444	15737	4962
445	15958	4963
446	16515	4964
447	16586	4965
448	11225	4970
449	NaN	4973
450	16004	4974
451	14756	4975
452	16005	4976
453	14930	4977
454	13313	4978
455	15229	4980
456	14507	4994
457	14509	4995
458	14508	4996
459	15868	5000
460	14581	5001
461	14580	5002
462	15869	5003
463	15871	5004
464	15870	5006
465	12791	5007
466	11602	5008
467	15073	5010
468	14839	5016
469	NaN	5017
470	15272	5018
471	14696	5019
472	NaN	5020
473	15630	5021
474	11996	5024
475	13914	5025
476	13913	5026
477	11997	5027
478	531	5047
479	13531	5056
480	15711	5061
481	15713	5062
482	15715	5063
483	15346	5067
484	15345	5068
485	15344	5069
486	NaN	5070
487	NaN	5075
488	15755	5375
489	15677	5377
490	14561	5379
491	16022	5380
492	16011	5382
493	3383	5383
494	14149	5384
495	13904	5389
496	14141	5391
497	12494	5393
498	15462	5394
499	15095	5395
500	14626	5396
501	12496	5397
502	12315	5398
503	15649	5439
504	14809	5443
505	15155	5444
506	12194	5445
507	16328	5446
508	14469	5448
509	16034	5465
510	14679	5474
511	15526	5477
512	16305	5479
513	16306	5480
514	15138	5481
515	15753	5483
516	15756	5484
517	16131	5485
518	16130	5486
519	16129	5487
520	14712	5488
521	15481	5491
522	16146	5504
523	14648	5505
524	14192	5506
525	15860	5519
526	15863	5520
527	15861	5522
528	15862	5523
529	15864	5524
530	14819	5525
531	14828	5544
532	14827	5545
533	15202	5546
534	13959	5547
535	13965	5548
536	13958	5550
537	13957	5551
538	13520	5552
539	13969	5554
540	14715	5559
541	NaN	5560
542	19820	5561
543	19821	5563
544	15748	5564
545	19822	5565
546	16192	5566
547	NaN	5569
548	14730	5570
549	14729	5573
550	8463	5574
551	13982	5580
552	15944	5608
553	15930	5609
554	14912	5610
555	15945	5611
556	14915	5612
557	14855	5613
558	14856	5614
559	15923	5615
560	14845	5616
561	14844	5617
562	15921	5618
563	15922	5619
564	12366	5628
565	8365	5629
566	12365	5630
567	14647	5690
568	15812	5693
569	14661	5694
570	16304	5695
571	15797	5696
572	16094	5697
573	14736	5700
574	11736	5703
575	15036	5704
576	15360	5705
577	15674	5706
578	13557	5707
579	15035	5709
580	16121	5711
581	14241	5712
582	14982	5715
583	15026	5722
584	15116	5736
585	15369	5737
586	15566	5738
587	16003	5739
588	15127	5741
589	15125	5742
590	14323	5743
591	15631	5747
592	16147	5753
593	7033	5756
594	11258	5760
595	13849	5761
596	15818	5764
597	15179	5766
598	15185	5767
599	15183	5768
600	15254	5769
601	15178	5770
602	15184	5771
603	15180	5772
604	15264	5773
605	14338	5777
606	15561	5778
607	16213	5779
608	14692	5794
609	13291	5795
610	13895	5796
611	15688	5797
612	14461	5799
613	14689	5800
614	11277	5801
615	15399	5802
616	13572	5803
617	14955	5804
618	NaN	5805
619	13567	5806
620	15471	5807
621	NaN	5808
622	15080	5809
623	14429	5810
624	15238	5815
625	15237	5816
626	14600	5817
627	15241	5818
628	11933	5819
629	15240	5820
630	15325	5826
631	15328	5827
632	15329	5829
633	15775	5890
634	15774	5891
635	14983	5892
636	13910	5893
637	16539	5894
638	15910	5896
639	12339	5899
640	12869	5900
641	14095	5902
642	14099	5903
643	15856	5904
644	12881	5905
645	15857	5906
646	12882	5907
647	15227	5912
648	10014	5913
649	14265	5914
650	14774	5916
651	14775	5917
652	14773	5918
653	15343	5922
654	15351	5925
655	16323	5930
656	523	5932
657	15432	5950
658	16472	5951
659	NaN	5952
660	14379	5953
661	15609	5954
662	14377	5955
663	15895	5956
664	13577	5957
665	15577	5958
666	15766	5959
667	15892	5960
668	16326	5962
669	15574	5963
670	13662	5964
671	11669	5967
672	13215	5968
673	13211	5969
674	15342	6035
675	15318	6038
676	13073	6041
677	16159	6042
678	16264	6047
679	14899	6049
680	15134	6050
681	16133	6070
682	16028	6072
683	15951	6073
684	15487	6093
685	15486	6094
686	15489	6095
687	15529	6100
688	14089	6101
689	14100	6103
690	14092	6104
691	14090	6105
692	14106	6106
693	14101	6107
694	14797	6108
695	15201	6109
696	NaN	6125
697	14923	6126
698	14573	6127
699	14569	6128
700	14570	6129
701	15834	6137
702	14596	6201
703	15126	6202
704	14604	6204
705	16565	6205
706	16580	6206
707	16077	6207
708	13996	6212
709	15072	6213
710	11601	6214
711	12790	6215
712	15070	6216
713	16096	6221
714	7032	6222
715	15324	6223
716	15162	6225
717	15161	6226
718	15163	6227
719	16273	6278
720	16247	6279
721	15654	6280
722	15710	6299
723	15745	6301
724	NaN	6324
725	15678	6325
726	NaN	6327
727	15810	6328
728	15779	6567
729	15707	6568
730	15705	6569
731	15706	6570
732	15704	6572
733	15473	6573
734	15479	6575
735	15647	6578
736	15769	6584
737	15434	6585
738	15764	6592
739	NaN	6594
740	16071	6615
741	15781	6616
742	16031	6617
743	15539	6618
744	16046	6620
745	15204	6621
746	15205	6622
747	15790	6626
748	15791	6627
749	15792	6628
750	15793	6629
751	15795	6631
752	15794	6632
753	15763	6635
754	16152	6663
755	15661	6664
756	16068	6665
757	16067	6666
758	8193	6738
759	16144	6751
760	15256	6753
761	NaN	6821
762	NaN	6824
763	NaN	6825
764	NaN	6826
765	NaN	6864
766	NaN	6866
767	NaN	6869
768	NaN	6875
769	15735	6884
770	14897	6886
771	15736	6887
772	NaN	6898
773	NaN	6899
774	NaN	6900
775	NaN	6901
776	NaN	6902
777	NaN	6903
778	NaN	6904
779	NaN	6905
780	NaN	6906
781	NaN	6907
782	NaN	6908
783	NaN	6909
784	15740	6920
785	15845	6926
786	15741	6928
787	16135	6930
788	NaN	7008
789	NaN	7009
790	NaN	7010
791	NaN	7015
792	15891	7023
793	15887	7025
794	NaN	7081
795	NaN	7084
796	NaN	7085
797	NaN	7086
798	NaN	7087
799	NaN	7088
800	NaN	7131
801	NaN	7132
802	NaN	7133
803	NaN	7136
804	NaN	7137
805	NaN	7159
806	NaN	7161
807	NaN	7162
808	NaN	7163
809	NaN	7164
810	NaN	7168
811	NaN	7169
812	NaN	7170
813	NaN	7192
814	NaN	7193
815	NaN	7194
816	NaN	7195
817	NaN	7196
818	NaN	7200
819	NaN	7201
820	NaN	7203
821	NaN	7204
822	13127-1	7247
823	14680-1	7329
824	16230	7338

	id_web	total_sales	tax_status	post_author	post_date	post_date_gmt	product_type	post_title	post_excerpt	post_status	comment_status	ping_status	post_name	post_modified	post_modified_gmt	guid	post_type	post_mime_type	product_id	onsale_web	price	stock_quantity	stock_status	purchase_price	z_score
0	38	10.0	taxable	2.0	2018-04-18 12:25:58	2018-04-18 10:25:58	Vin	Emile Boeckel Crémant Brut Blanc de Blancs	Ce Crémant est vif et délicat, gourmand et cro...	publish	closed	closed	emile-boeckel-cremant-brut-blanc-de-blancs	2020-08-27 17:15:03	2020-08-27 15:15:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4729	1	8.6	26	instock	4.22	-0.858436
1	41	6.0	taxable	2.0	2018-04-14 12:01:43	2018-04-14 10:01:43	Vin	Marcel Windholtz Eau de Vie de Marc de Gewurzt...	Les eaux de vie naissent d'une subtile alchimi...	publish	closed	closed	marcel-windholtz-eau-de-marc-de-gewurztraminer	2020-08-03 10:25:02	2020-08-03 08:25:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4634	1	41.0	11	instock	20.12	0.314627
2	304	8.0	taxable	2.0	2018-02-13 12:57:44	2018-02-13 11:57:44	Champagne	Champagne Gosset Grande Réserve	Le nez, ouvert et expressif, évoque les fruits...	publish	closed	closed	gosset-champagne-grande-reserve	2020-08-27 11:25:02	2020-08-27 09:25:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4141	1	39.0	123	instock	24.86	0.242216
3	523	0.0	taxable	2.0	2019-04-06 15:25:58	2019-04-06 13:25:58	Cognac	Cognac Normandin Mercier VFC	Issus des meilleurs crus de Grande et de Petit...	publish	closed	closed	cognac-normandin-mercier-vfc	2020-08-12 16:45:03	2020-08-12 14:45:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5932	1	59.9	13	instock	27.18	0.998914
4	531	8.0	taxable	2.0	2018-07-18 15:58:02	2018-07-18 13:58:02	Champagne	Champagne Petit Lebrun & Fils Blanc de Bla...	Cuvée bien équilibrée à la fois vive et souple...	publish	closed	closed	champagne-petit-lebrun-fils-blanc-de-blancs-gr...	2020-08-27 15:35:03	2020-08-27 13:35:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5047	1	22.5	76	instock	13.78	-0.355177

	virtual	downloadable	rating_count	average_rating	total_sales	post_author	post_date	post_date_gmt	post_modified	post_modified_gmt	post_parent	menu_order	comment_count	product_id	onsale_web	price	stock_quantity	purchase_price	z_score
count	712.0	712.0	712.0	712.0	712.000000	712.0	712	712	712	712	712.0	712.0	712.0	712.000000	712.000000	712.000000	712.000000	712.000000	712.000000
mean	0.0	0.0	0.0	0.0	8.525281	2.0	2018-08-21 08:33:08.113763840	2018-08-21 07:04:29.012640512	2020-06-21 22:02:37.813202432	2020-06-21 20:09:07.139044864	0.0	0.0	0.0	5029.557584	0.998596	32.312430	23.470506	16.894635	0.000088
min	0.0	0.0	0.0	0.0	0.000000	2.0	2018-02-08 12:58:52	2018-02-08 11:58:52	2018-02-20 15:19:23	2018-02-20 14:19:23	0.0	0.0	0.0	3847.000000	0.000000	5.200000	0.000000	2.740000	-0.981535
25%	0.0	0.0	0.0	0.0	5.000000	2.0	2018-02-27 14:12:06.750000128	2018-02-27 13:12:06.750000128	2020-06-19 10:07:33	2020-06-19 08:07:33	0.0	0.0	0.0	4279.250000	1.000000	14.037500	9.000000	7.235000	-0.661568
50%	0.0	0.0	0.0	0.0	8.000000	2.0	2018-04-19 14:44:46.500000	2018-04-19 12:44:46.500000	2020-08-04 09:30:10.500000	2020-08-04 07:30:10.500000	0.0	0.0	0.0	4794.500000	1.000000	23.400000	20.000000	12.280000	-0.322592
75%	0.0	0.0	0.0	0.0	11.000000	2.0	2019-01-31 14:29:05	2019-01-31 13:29:05	2020-08-25 10:42:32	2020-08-25 08:42:32	0.0	0.0	0.0	5709.500000	1.000000	42.025000	30.250000	22.030000	0.351738
max	0.0	0.0	0.0	0.0	122.000000	2.0	2020-07-20 11:00:00	2020-07-20 09:00:00	2020-08-27 18:55:03	2020-08-27 16:55:03	0.0	0.0	0.0	7338.000000	1.000000	225.000000	145.000000	137.810000	6.976466
std	0.0	0.0	0.0	0.0	8.161136	0.0	NaN	NaN	NaN	NaN	0.0	0.0	0.0	787.242401	0.037477	27.620894	22.240831	14.842603	1.000032

	id_web	total_sales	tax_status	post_author	post_date	post_date_gmt	product_type	post_title	post_excerpt	post_status	comment_status	ping_status	post_name	post_modified	post_modified_gmt	guid	post_type	post_mime_type	product_id	onsale_web	price	stock_quantity	stock_status	purchase_price	z_score
22	3507	4.0	taxable	2.0	2018-03-22 11:32:55	2018-03-22 10:32:55	Cognac	Cognac Frapin Château de Fontpinot XO	Exclusivement vendangé, distillé, vieilli et m...	publish	closed	closed	cognac-frapin-fontpinot-xo	2020-08-12 09:30:16	2020-08-12 07:30:16	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4404	1	108.5	17	instock	52.22	2.758508
23	3509	5.0	taxable	2.0	2018-03-22 11:49:53	2018-03-22 10:49:53	Cognac	Cognac Frapin Cigar Blend	Ce cognac bénéficie d'un vieillissement plus l...	publish	closed	closed	cognac-frapin-cigar-blend	2020-07-04 09:45:03	2020-07-04 07:45:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4407	1	104.0	14	instock	46.71	2.595583
24	3510	3.0	taxable	2.0	2018-03-22 11:21:05	2018-03-22 10:21:05	Cognac	Cognac Frapin VIP XO	La cuvée VIP XO à été enrichie d’eaux-de-vie t...	publish	closed	closed	cognac-frapin-vip-xo	2020-08-22 11:35:03	2020-08-22 09:35:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4402	1	176.0	11	instock	78.25	5.202390
33	7819	4.0	taxable	2.0	2018-03-22 11:42:48	2018-03-22 10:42:48	Cognac	Cognac Frapin Château de Fontpinot 1989 20 Ans...	Eau-de-Vie distillée à partir de raisins de Gr...	publish	closed	closed	cognac-frapin-chateau-de-fontpinot-1989-20-ans	2020-03-14 16:05:04	2020-03-14 15:05:04	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4406	1	157.0	12	instock	69.08	4.514482
53	11601	6.0	taxable	2.0	2019-07-25 09:15:41	2019-07-25 07:15:41	Vin	Domaine des Comtes Lafon Volnay 1er Cru Champa...	La couleur rouge intense annonce un belle conc...	publish	closed	closed	domaine-des-comtes-lafon-volnay-1er-cru-champa...	2020-07-04 11:35:02	2020-07-04 09:35:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6214	1	99.0	9	instock	49.62	2.414555
54	11602	7.0	taxable	2.0	2018-07-17 10:52:41	2018-07-17 08:52:41	Vin	Domaine des Comtes Lafon Volnay 1er Cru Santen...	"Il s'agit là de la meilleure partie de l'appe...	publish	closed	closed	domaine-des-comtes-lafon-volnay-1er-cru-santen...	2020-06-23 15:35:02	2020-06-23 13:35:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5008	1	105.0	12	instock	56.42	2.631789
56	11668	5.0	taxable	2.0	2018-02-13 11:43:55	2018-02-13 10:43:55	Vin	Zind-Humbrecht Pinot Gris Grand Cru Rangen De ...	Le nez dévoile déjà une belle intensité de fru...	publish	closed	closed	zind-humbrecht-pinot-gris-grand-cru-rangen-de-...	2020-02-20 09:55:02	2020-02-20 08:55:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4132	1	88.4	7	instock	44.30	2.030775
86	12790	4.0	taxable	2.0	2019-07-25 09:30:16	2019-07-25 07:30:16	Vin	Domaine des Comtes Lafon Volnay 1er Cru Champa...	La couleur rouge intense annonce un belle conc...	publish	closed	closed	domaine-des-comtes-lafon-volnay-1er-cru-champa...	2019-11-04 09:30:25	2019-11-04 08:30:25	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6215	1	115.0	14	instock	56.45	2.993845
87	12791	3.0	taxable	2.0	2018-07-17 10:36:03	2018-07-17 08:36:03	Vin	Domaine des Comtes Lafon Volnay 1er Cru Santen...	"Il s'agit là de la meilleure partie de l'appe...	publish	closed	closed	domaine-des-comtes-lafon-volnay-1er-cru-santen...	2020-07-02 09:30:03	2020-07-02 07:30:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5007	1	105.0	15	instock	55.88	2.631789
88	12857	1.0	taxable	2.0	2018-04-12 17:56:13	2018-04-12 15:56:13	Vin	Château de Meursault Puligny-Montrachet 1er Cr...	Il présente une grande fraîcheur minérale au n...	publish	closed	closed	chateau-de-puligny-montrachet-1cru-champ-canet...	2020-02-06 16:35:02	2020-02-06 15:35:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4582	1	109.6	18	instock	53.80	2.798335
140	13853	7.0	taxable	2.0	2018-03-02 11:11:48	2018-03-02 10:11:48	Champagne	Champagne Larmandier-Bernier Grand Cru Les Che...	Belle maîtrise de ce millésime compliqué en Ch...	publish	closed	closed	champagne-larmandier-bernier-grand-cru-vieille...	2019-12-23 09:30:11	2019-12-23 08:30:11	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4359	1	85.6	112	instock	51.93	1.929399
146	13913	9.0	taxable	2.0	2018-07-18 10:46:30	2018-07-18 08:46:30	Champagne	Champagne Agrapart & Fils Minéral Extra Br...	Légèrement praliné au nez, nerveux, frais, inc...	publish	closed	closed	champagne-agrapart-fils-mineral-extra-brut-bla...	2020-05-11 14:35:02	2020-05-11 12:35:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5026	1	86.8	101	instock	50.13	1.972846
147	13914	6.0	taxable	2.0	2018-07-18 10:39:43	2018-07-18 08:39:43	Champagne	Champagne Agrapart & Fils L'Avizoise Extra...	Une cuvée surprenante, par son amer articulé a...	publish	closed	closed	champagne-agrapart-fils-lavizoise-grand-cru-20...	2020-07-09 17:05:02	2020-07-09 15:05:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5025	1	112.0	136	instock	68.60	2.885228
154	13996	7.0	taxable	2.0	2019-07-25 09:09:17	2019-07-25 07:09:17	Vin	Domaine des Comtes Lafon Volnay 1er Cru Santen...	"Il s'agit là de la meilleure partie de l'appe...	publish	closed	closed	domaine-des-comtes-lafon-volnay-1er-cru-santen...	2020-06-16 09:30:16	2020-06-16 07:30:16	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6212	1	115.0	16	instock	59.42	2.993845
168	14220	3.0	taxable	2.0	2018-05-15 10:23:41	2018-05-15 08:23:41	Vin	Domaine Des Croix Corton Charlemagne Grand Cru...	Ce Corton Charlemagne éblouit par son assise, ...	publish	closed	closed	domaine-des-croix-corton-charlemagne-grand-cru...	2020-05-19 17:15:02	2020-05-19 15:15:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4904	1	137.0	9	instock	67.95	3.790369
198	14581	2.0	taxable	2.0	2018-07-17 09:45:39	2018-07-17 07:45:39	Vin	David Duband Charmes-Chambertin Grand Cru 2014	Robe cerise chatoyante. Un nez de fruits rouge...	publish	closed	closed	david-duband-charmes-chambertin-grand-cru-2014	2020-05-16 09:00:05	2020-05-16 07:00:05	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5001	1	217.5	18	instock	116.87	6.704924
199	14596	6.0	taxable	2.0	2019-07-23 10:37:14	2019-07-23 08:37:14	Vin	David Duband Chambolle-Musigny 1er Cru Les Sen...	Une robe d'un rouge carmin avec des reflets br...	publish	closed	closed	david-duband-chambolle-musigny-1er-cru-les-sen...	2020-02-29 15:25:02	2020-02-29 14:25:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6201	1	105.6	16	instock	57.29	2.653512
223	14773	3.0	taxable	2.0	2019-04-04 17:01:54	2019-04-04 15:01:54	Whisky	Wemyss Malts Single Cask Scotch Whisky Chai Ca...	644 bouteilles - 16 ans d'âge.\n\nNez très élé...	publish	closed	closed	wemyss-malts-single-cask-scotch-whisky-chai-ca...	2020-07-31 18:25:03	2020-07-31 16:25:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5918	1	114.0	12	instock	52.25	2.957639
224	14774	1.0	taxable	2.0	2019-04-04 16:39:24	2019-04-04 14:39:24	Whisky	Wemyss Malts Single Cask Scotch Whisky Chocola...	305 bouteilles, 13 ans d'âge.\n\n<span title="...	publish	closed	closed	wemyss-malts-single-cask-chocolate-moka-cake	2019-12-23 09:30:21	2019-12-23 08:30:21	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5916	1	93.0	1	instock	40.49	2.197321
225	14775	3.0	taxable	2.0	2019-04-04 16:49:37	2019-04-04 14:49:37	Whisky	Wemyss Malts Single Cask Scotch Whisky Choc 'n...	710 bouteilles, 17 ans d'âge.\n\n<span title="...	publish	closed	closed	wemyss-malts-single-cask-scotch-whisky-choc-n-...	2020-03-11 09:30:09	2020-03-11 08:30:09	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5917	1	122.0	12	instock	54.24	3.247285
229	14805	2.0	taxable	2.0	2018-05-15 10:10:57	2018-05-15 08:10:57	Vin	Domaine Des Croix Corton Grand Cru Les Grèves ...	Ce vin exhale de beaux arômes de fruits rouges...	publish	closed	closed	domaine-des-croix-corton-grand-cru-les-greves-...	2020-06-27 09:00:07	2020-06-27 07:00:07	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4903	1	102.3	12	instock	51.80	2.534033
245	14915	1.0	taxable	2.0	2019-01-15 15:30:49	2019-01-15 14:30:49	Vin	Domaine Weinbach Gewurztraminer Grand Cru Furs...	Né sur un sol marno-gréseux, ce Furstentum est...	publish	closed	closed	domaine-weinbach-gewurztraminer-gc-furstentum-...	2019-01-23 09:33:57	2019-01-23 08:33:57	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5612	1	124.8	19	instock	66.41	3.348660
246	14923	5.0	taxable	2.0	2019-06-28 17:22:27	2019-06-28 15:22:27	Champagne	Champagne Gosset Célébris Vintage 2007	Une robe somptueuse a la teinte jaune pâle eti...	publish	closed	closed	champagne-gosset-celebris-vintage-2007	2020-08-27 11:45:02	2020-08-27 09:45:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6126	1	135.0	138	instock	80.33	3.717958
258	14983	6.0	taxable	2.0	2019-03-28 10:21:36	2019-03-28 09:21:36	Champagne	Coteaux Champenois Egly-Ouriet Ambonnay Rouge ...	Cet Ambonnay évoque les grands Pinots Noirs de...	publish	closed	closed	coteaux-champenois-egly-ouriet-ambonnay-rouge-...	2020-04-01 09:30:09	2020-04-01 07:30:09	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5892	1	191.3	98	instock	116.06	5.756336
269	15070	2.0	taxable	2.0	2019-07-25 09:31:09	2019-07-25 07:31:09	Vin	Domaine des Comtes Lafon Volnay 1er Cru Champa...	La couleur rouge intense annonce un belle conc...	publish	closed	closed	domaine-des-comtes-lafon-volnay-1er-cru-champa...	2020-07-30 09:30:08	2020-07-30 07:30:08	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6216	1	121.0	14	instock	60.02	3.211079
270	15072	3.0	taxable	2.0	2019-07-25 09:10:32	2019-07-25 07:10:32	Vin	Domaine des Comtes Lafon Volnay 1er Cru Santen...	"Il s'agit là de la meilleure partie de l'appe...	publish	closed	closed	domaine-des-comtes-lafon-volnay-1er-cru-santen...	2020-06-25 09:30:06	2020-06-25 07:30:06	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6213	1	121.0	9	instock	63.14	3.211079
279	15126	5.0	taxable	2.0	2019-07-23 10:50:24	2019-07-23 08:50:24	Vin	Domaine Clerget Echezeaux Grand Cru En Orveaux...	Ce vin allie la puissance et la finesse… Un vi...	publish	closed	closed	domaine-clerget-echezeaux-en-orveaux-2015	2020-06-06 15:45:01	2020-06-06 13:45:01	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6202	1	116.4	12	instock	63.15	3.044533
300	15185	4.0	taxable	2.0	2019-03-13 14:43:22	2019-03-13 13:43:22	Vin	Camille Giroud Clos de Vougeot 2016	<div>Ce vin provient de vignes âgées de 50 ans...	publish	closed	closed	camille-giroud-clos-de-vougeot-2016	2020-06-11 15:25:04	2020-06-11 13:25:04	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5767	1	175.0	12	instock	90.42	5.166184
356	15382	1.0	taxable	2.0	2018-02-13 11:08:45	2018-02-13 10:08:45	Vin	Zind-Humbrecht Riesling Grand Cru Rangen De Th...	Le nez est puissant, dominant, riche, sur la f...	publish	closed	closed	zind-humbrecht-riesling-gc-rangen-thann-clos-s...	2020-02-08 11:45:02	2020-02-08 10:45:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4115	1	100.0	12	instock	52.70	2.450760
548	15940	11.0	taxable	2.0	2018-03-02 10:30:04	2018-03-02 09:30:04	Champagne	Champagne Egly-Ouriet Grand Cru Millésimé 2008	Issu d’un assemblage de 70% de Pinot Noir du g...	publish	closed	closed	champagne-egly-ouriet-grand-cru-millesime-2008	2020-03-07 11:18:45	2020-03-07 10:18:45	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4352	1	225.0	0	outofstock	137.81	6.976466
711	19822	1.0	taxable	2.0	2018-11-26 10:59:10	2018-11-26 09:59:10	Vin	Tempier Bandol Cabassaou 2017	<div id="wrapper">\n<div id="container-wrapper...	publish	closed	closed	tempier-bandol-cabassaou-2017	2020-01-04 13:57:04	2020-01-04 12:57:04	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5565	1	92.0	0	outofstock	46.11	2.161115

	id_web	total_sales	tax_status	post_author	post_date	post_date_gmt	product_type	post_title	post_excerpt	post_status	comment_status	ping_status	post_name	post_modified	post_modified_gmt	guid	post_type	post_mime_type	product_id	onsale_web	price	stock_quantity	stock_status	purchase_price	z_score	ca_par_article	pourcentage_ca	cumul_somme
15	1366	116.0	taxable	2.0	2018-02-13 13:45:31	2018-02-13 12:45:31	Champagne	Champagne Mailly Grand Cru Intemporelle 2010	A l’œil, la robe brillante séduit par sa belle...	publish	closed	closed	champagne-mailly-grand-cru-intemporelle-2010	2020-08-26 18:05:02	2020-08-26 16:05:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4150	1	59.0	123	instock	35.45	0.966329	6844.0	4.463	4.463
548	15940	11.0	taxable	2.0	2018-03-02 10:30:04	2018-03-02 09:30:04	Champagne	Champagne Egly-Ouriet Grand Cru Millésimé 2008	Issu d’un assemblage de 70% de Pinot Noir du g...	publish	closed	closed	champagne-egly-ouriet-grand-cru-millesime-2008	2020-03-07 11:18:45	2020-03-07 10:18:45	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4352	1	225.0	0	outofstock	137.81	6.976466	2475.0	1.614	6.077
251	14950	122.0	taxable	2.0	2018-04-18 11:53:51	2018-04-18 09:53:51	Vin	François Baur Pinot Noir Schlittweg 2017	Un éclat de fruits, de la souplesse, de la ron...	publish	closed	closed	francois-baur-pinot-noir-schlittweg-2017	2020-05-06 11:35:01	2020-05-06 09:35:01	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4726	1	12.7	0	outofstock	6.82	-0.709993	1549.4	1.010	7.087
346	15346	22.0	taxable	2.0	2018-07-31 11:49:05	2018-07-31 09:49:05	Vin	Albert Mann Pinot Noir Grand H 2017	La robe est profonde, de couleur rouge grenat....	publish	closed	closed	albert-mann-pinot-noir-grand-h-2017	2020-02-13 17:00:01	2020-02-13 16:00:01	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5067	1	59.9	3	instock	30.95	0.998914	1317.8	0.859	7.946
193	14561	111.0	taxable	2.0	2018-09-01 15:34:55	2018-09-01 13:34:55	Vin	Argentine Mendoza Alamos Torrontes 2017	<span style="float: none; background-color: tr...	publish	closed	closed	argentine-mendoza-alamos-torrontes-2017	2020-07-11 14:00:03	2020-07-11 12:00:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5379	1	11.1	33	instock	5.68	-0.767922	1232.1	0.803	8.749

	id_web	total_sales	tax_status	post_author	post_date	post_date_gmt	product_type	post_title	post_excerpt	post_status	comment_status	ping_status	post_name	post_modified	post_modified_gmt	guid	post_type	post_mime_type	product_id	onsale_web	price	stock_quantity	stock_status	purchase_price	z_score	ca_par_article	pourcentage_ca	stock_debut_mois	rotation_stock	valorisation_stock_euros	prix_ht	taux_de_marge
55	11641	4.0	taxable	2.0	2018-02-13 13:08:44	2018-02-13 12:08:44	Champagne	Champagne Gosset Grand Millésime 2006	L'attaque est ample, gourmande avec une belle ...	publish	closed	closed	champagne-gosset-grand-millesime-2006	2020-08-20 09:30:03	2020-08-20 07:30:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4142	1	53.0	125	instock	32.15	0.749095	212.0	0.138	129.0	0.031496	6625.0	42.40	24.174528
246	14923	5.0	taxable	2.0	2019-06-28 17:22:27	2019-06-28 15:22:27	Champagne	Champagne Gosset Célébris Vintage 2007	Une robe somptueuse a la teinte jaune pâle eti...	publish	closed	closed	champagne-gosset-celebris-vintage-2007	2020-08-27 11:45:02	2020-08-27 09:45:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	6126	1	135.0	138	instock	80.33	3.717958	675.0	0.440	143.0	0.035587	18630.0	108.00	25.620370
75	12585	3.0	taxable	2.0	2018-03-02 10:51:14	2018-03-02 09:51:14	Champagne	Champagne Egly-Ouriet Premier Cru Les Vignes d...	La cuvée Les Vignes de Vrigny est atypique dan...	publish	closed	closed	champagne-egly-ouriet-premier-cru-vrigny	2020-07-30 11:25:02	2020-07-30 09:25:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4356	1	51.6	81	instock	31.00	0.698407	154.8	0.101	84.0	0.036364	4179.6	41.28	24.903101
76	12586	5.0	taxable	2.0	2018-03-02 09:22:39	2018-03-02 08:22:39	Champagne	Champagne Egly-Ouriet Grand Cru Brut Tradition	Un Champagne bien équilibré, dense, très éléga...	publish	closed	closed	champagne-egly-ouriet-tradition-grand-cru	2020-08-12 14:00:02	2020-08-12 12:00:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4348	1	59.0	125	instock	34.76	0.966329	295.0	0.192	130.0	0.039216	7375.0	47.20	26.355932
14	1364	3.0	taxable	2.0	2018-02-13 13:36:44	2018-02-13 12:36:44	Champagne	Champagne Mailly Grand Cru Brut Rosé	Une somptueuse robe rose lumineuse habille cet...	publish	closed	closed	champagne-mailly-grand-cru-brut-rose	2020-08-08 10:45:03	2020-08-08 08:45:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4148	1	37.5	71	instock	21.88	0.187907	112.5	0.073	74.0	0.041379	2662.5	30.00	27.066667
38	9562	5.0	taxable	2.0	2018-03-02 10:57:02	2018-03-02 09:57:02	Champagne	Champagne Larmandier-Bernier Latitude	La cuvée Latitude est très équilibrée entre fr...	publish	closed	closed	champagne-larmandier-bernier-latitude	2018-12-28 15:10:04	2018-12-28 14:10:04	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4357	1	39.0	115	instock	22.30	0.242216	195.0	0.127	120.0	0.042553	4485.0	31.20	28.525641
16	1662	4.0	taxable	2.0	2018-02-13 13:17:25	2018-02-13 12:17:25	Champagne	Champagne Gosset Grand Rosé	Le nez exprime sans détour la fraise, dans sa ...	publish	closed	closed	champagne-gosset-grand-rose	2020-08-14 16:45:03	2020-08-14 14:45:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4144	1	49.0	91	instock	27.73	0.604272	196.0	0.128	95.0	0.043011	4459.0	39.20	29.260204
147	13914	6.0	taxable	2.0	2018-07-18 10:39:43	2018-07-18 08:39:43	Champagne	Champagne Agrapart & Fils L'Avizoise Extra...	Une cuvée surprenante, par son amer articulé a...	publish	closed	closed	champagne-agrapart-fils-lavizoise-grand-cru-20...	2020-07-09 17:05:02	2020-07-09 15:05:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5025	1	112.0	136	instock	68.60	2.885228	672.0	0.438	142.0	0.043165	15232.0	89.60	23.437500
78	12588	7.0	taxable	2.0	2018-03-02 10:00:02	2018-03-02 09:00:02	Champagne	Champagne Egly-Ouriet Grand Cru Extra Brut V.P.	Le Grand Cru VP, pour Vieillissement Prolongé,...	publish	closed	closed	champagne-egly-ouriet-extra-brut-vp	2020-08-27 11:45:02	2020-08-27 09:45:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4350	1	79.5	145	instock	47.30	1.708545	556.5	0.363	152.0	0.047138	11527.5	63.60	25.628931
32	7818	7.0	taxable	2.0	2018-03-01 14:02:44	2018-03-01 13:02:44	Champagne	Champagne Gosset Grand Blanc de Blancs	La bulle fine et presente se dirige vers la su...	publish	closed	closed	champagne-gosset-grand-blanc-de-blanc	2020-08-12 14:00:03	2020-08-12 12:00:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4334	1	49.0	142	instock	30.01	0.604272	343.0	0.224	149.0	0.048110	6958.0	39.20	23.443878
31	7086	5.0	taxable	2.0	2018-02-13 13:41:05	2018-02-13 12:41:05	Champagne	Champagne Mailly Grand Cru Intemporelle Rosé 2009	Au regard, la robe d’un rose saumoné clair et ...	publish	closed	closed	champagne-mailly-grand-cru-intemporelle-rose-2009	2020-08-20 09:30:19	2020-08-20 07:30:19	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4149	1	69.0	101	instock	40.25	1.328385	345.0	0.225	106.0	0.048309	6969.0	55.20	27.083333
245	14915	1.0	taxable	2.0	2019-01-15 15:30:49	2019-01-15 14:30:49	Vin	Domaine Weinbach Gewurztraminer Grand Cru Furs...	Né sur un sol marno-gréseux, ce Furstentum est...	publish	closed	closed	domaine-weinbach-gewurztraminer-gc-furstentum-...	2019-01-23 09:33:57	2019-01-23 08:33:57	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5612	1	124.8	19	instock	66.41	3.348660	124.8	0.081	20.0	0.051282	2371.2	99.84	33.483574
88	12857	1.0	taxable	2.0	2018-04-12 17:56:13	2018-04-12 15:56:13	Vin	Château de Meursault Puligny-Montrachet 1er Cr...	Il présente une grande fraîcheur minérale au n...	publish	closed	closed	chateau-de-puligny-montrachet-1cru-champ-canet...	2020-02-06 16:35:02	2020-02-06 15:35:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4582	1	109.6	18	instock	53.80	2.798335	109.6	0.071	19.0	0.054054	1972.8	87.68	38.640511
63	11996	6.0	taxable	2.0	2018-07-18 10:05:56	2018-07-18 08:05:56	Champagne	Champagne Agrapart & Fils Les 7 Crus Brut ...	La cuvée Les 7 Crus provient d'un assemblage d...	publish	closed	closed	champagne-agrapart-fils-les-7-crus-brut-blanc-...	2020-01-04 10:43:04	2020-01-04 09:43:04	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5024	1	45.0	103	instock	27.04	0.459450	270.0	0.176	109.0	0.056604	4635.0	36.00	24.888889
46	11225	6.0	taxable	2.0	2018-06-06 16:47:38	2018-06-06 14:47:38	Champagne	Champagne Larmandier-Bernier Terre de Vertus P...	C’est un vin à la robe pâle et aux reflets ver...	publish	closed	closed	champagne-larmandier-bernier-terre-de-vertus-p...	2019-05-17 10:10:03	2019-05-17 08:10:03	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4970	1	49.5	100	instock	28.59	0.622375	297.0	0.194	106.0	0.058252	4950.0	39.60	27.803030
258	14983	6.0	taxable	2.0	2019-03-28 10:21:36	2019-03-28 09:21:36	Champagne	Coteaux Champenois Egly-Ouriet Ambonnay Rouge ...	Cet Ambonnay évoque les grands Pinots Noirs de...	publish	closed	closed	coteaux-champenois-egly-ouriet-ambonnay-rouge-...	2020-04-01 09:30:09	2020-04-01 07:30:09	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5892	1	191.3	98	instock	116.06	5.756336	1147.8	0.748	104.0	0.059406	18747.4	153.04	24.163617
140	13853	7.0	taxable	2.0	2018-03-02 11:11:48	2018-03-02 10:11:48	Champagne	Champagne Larmandier-Bernier Grand Cru Les Che...	Belle maîtrise de ce millésime compliqué en Ch...	publish	closed	closed	champagne-larmandier-bernier-grand-cru-vieille...	2019-12-23 09:30:11	2019-12-23 08:30:11	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4359	1	85.6	112	instock	51.93	1.929399	599.2	0.391	119.0	0.060606	9587.2	68.48	24.167640
2	304	8.0	taxable	2.0	2018-02-13 12:57:44	2018-02-13 11:57:44	Champagne	Champagne Gosset Grande Réserve	Le nez, ouvert et expressif, évoque les fruits...	publish	closed	closed	gosset-champagne-grande-reserve	2020-08-27 11:25:02	2020-08-27 09:25:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4141	1	39.0	123	instock	24.86	0.242216	312.0	0.203	131.0	0.062992	4797.0	31.20	20.320513
13	1360	6.0	taxable	2.0	2018-02-13 13:26:34	2018-02-13 12:26:34	Champagne	Champagne Mailly Grand Cru Brut Réserve	Un oeil jaune d’or iridescent, un nez épanoui ...	publish	closed	closed	champagne-mailly-gc-brut-reserve	2020-08-26 18:05:02	2020-08-26 16:05:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4146	1	29.5	86	instock	17.55	-0.101738	177.0	0.115	92.0	0.067416	2537.0	23.60	25.635593
64	11997	6.0	taxable	2.0	2018-07-18 11:45:12	2018-07-18 09:45:12	Champagne	Champagne Agrapart & Fils Terroirs Brut Bl...	Avec son petit dosage et son côté très "nature...	publish	closed	closed	champagne-agrapart-fils-terroirs-brut-blanc-de...	2020-03-05 17:15:02	2020-03-05 16:15:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5027	1	62.1	79	instock	38.04	1.078566	372.6	0.243	85.0	0.073171	4905.9	49.68	23.429952
139	13849	10.0	taxable	2.0	2019-03-13 14:05:40	2019-03-13 13:05:40	Huile d'olive	Huiles d'Olive Extra Vierge Planeta 3x 10cl	Récoltées entre le 15 octobre et le 30 novembr...	publish	closed	closed	huile-dolive-extra-vierge-planeta-3x-10cl	2019-05-28 17:00:02	2019-05-28 15:00:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5761	1	19.5	125	instock	12.07	-0.463794	195.0	0.127	135.0	0.076923	2437.5	15.60	22.628205
422	15648	8.0	taxable	2.0	2018-02-13 13:32:49	2018-02-13 12:32:49	Champagne	Champagne Mailly Grand Cru Extra Brut Millésim...	L’or riche et profond de sa structure met tout...	publish	closed	closed	champagne-mailly-grand-cru-extra-brut-2012	2020-08-27 17:05:02	2020-08-27 15:05:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4147	1	33.0	100	instock	18.48	0.024982	264.0	0.172	108.0	0.076923	3300.0	26.40	30.000000
126	13599	6.0	taxable	2.0	2018-03-01 14:12:39	2018-03-01 13:12:39	Champagne	Champagne Mailly Grand Cru Blanc de Pinot Noir	Champagne en habit d’or profond et intense, il...	publish	closed	closed	champagne-mailly-grand-cru-blanc-de-pinot-noir	2020-08-26 18:05:02	2020-08-26 16:05:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4336	1	35.5	73	instock	21.12	0.115496	213.0	0.139	79.0	0.078947	2591.5	28.40	25.633803
356	15382	1.0	taxable	2.0	2018-02-13 11:08:45	2018-02-13 10:08:45	Vin	Zind-Humbrecht Riesling Grand Cru Rangen De Th...	Le nez est puissant, dominant, riche, sur la f...	publish	closed	closed	zind-humbrecht-riesling-gc-rangen-thann-clos-s...	2020-02-08 11:45:02	2020-02-08 10:45:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	4115	1	100.0	12	instock	52.70	2.450760	100.0	0.065	13.0	0.080000	1200.0	80.00	34.125000
146	13913	9.0	taxable	2.0	2018-07-18 10:46:30	2018-07-18 08:46:30	Champagne	Champagne Agrapart & Fils Minéral Extra Br...	Légèrement praliné au nez, nerveux, frais, inc...	publish	closed	closed	champagne-agrapart-fils-mineral-extra-brut-bla...	2020-05-11 14:35:02	2020-05-11 12:35:02	https://www.bottle-neck.fr/?post_type=product&...	product	NaN	5026	1	86.8	101	instock	50.13	1.972846	781.2	0.509	110.0	0.085308	8766.8	69.44	27.808180